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 Th
ầy 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

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


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

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
viết tắt
Cụm từ đầy đủ tiếng Anh Dich tiếng Việt
ANC The American National Corpus Kho ngữ liệu Quốc gia Mỹ
API Application Programming
Interface
Giao diện lập trình ứng dụng
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
American English
Kho ngữ liệu Anh Mỹ hiện đại
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

XML eXtensible Markup Language Ngôn ngữ đánh dấu mở rộng
CFG Context Free Grammar Văn phạm phi ngữ cảnh
PCFG Probability Context Free
Grammar
Văn phạm phi ngữ cảnh kết hợp
xác suất
TAG Tree Adjoining Grammar Văn phạm kết nối cây
LTAG Lexicalized Tree Adjoining
Grammar
Văn phạm kết nội cây từ vựng hóa
CYK Cocke – Younger – Kasami
algorithm
Thuật toán CYK
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 đoạ
n 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

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 mặ
t 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 (đ
ã 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

sát và nghiên cứu ngôn ngữ Việt đòi hỏi phải xây dựng được các kho ngữ liệu tiếng
Việt có kích thước lớn hơn r
ất 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 đườ
ng 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.

2. Xây dựng, triển khai các mô hình chuẩn hóa qu
ốc 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 lo
ại 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
ti
ếng 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

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 c
ứu 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 đi
ện 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 t
ừ 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

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 củ
a 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 ch
ỉnh 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 sư
u 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.

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] đượ
c 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 ngoặ
c 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 li
ệu 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 giả
i 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
loại, cụm từ, các thông tin về văn bản và các thẻ định dạng mã hoá dữ liệu v.v.
Các kho ngữ liệu truyền thống như BNC, ANC, PENN,… chủ yếu được thu thập
từ nhiều nguồn tạp chí, sách báo, báo điện tử, sách giáo khoa v.v., dung lượng của 6
các kho ngữ liệu chú giải cú pháp nói chung còn hạn chế. Tuy có một số kho ngữ
liệu có dung lượng lớn hơn (hàng trăm triệu từ) như kho ngữ liệu COCA, dữ liệu
trong đó là được bổ sung vào hàng năm. Nhưng nói chung công việc thu thập kho
ngữ liệu tốn rất nhiều thời gian và kinh phí bởi các kho ngữ liệu này chủ yếu được
xây dựng thủ công hoặc bán tự động (Sử dụng các bộ chú giải t
ự động, hoặc hỗ trợ
gán nhãn, sau đó có sự kiểm tra lại của các nhà ngôn ngữ). Công việc xây dựng kho
ngữ liệu chú giải truyền thống [18] về cơ bản được thực hiện thủ công hoặc bán thủ
công thông qua 2 bước, đó là lựa chọn văn bản thô và chú giải ngôn ngữ. Trong đó
việc chú giải ngôn ngữ có thể được chú giải tự động nhờ vào các công cụ sẵn có, rồi
đượ
c kiểm tra lại bởi các nhà ngôn ngữ.
Những năm gần đây cho thấy việc xây dựng kho ngữ liệu lớn được thu thập dễ
dàng từ Internet như các kho ngữ liệu của WaCky [129]. Cách làm này lần đầu tiên
đã được thực hiện vào cuối những năm 1990 [83], Grefenstette và Nioch [52] đã chỉ
ra lượng dữ liệu rất lớn có trên Internet, kể cả với các ngôn ngữ ít phổ biến
. Keller
và Lapata [48] đã chứng tỏ tính hợp lệ của việc sử dụng các kho ngữ liệu Web cho
nghiên cứu ngôn ngữ học bằng cách so sánh tự động cũng như thủ công các mô
hình ngôn ngữ thu được từ kho ngữ liệu Web với các mô hình thu được từ kho ngữ
liệu truyền thống. Việc thu thập dữ liệu Web lại có ưu điểm là cho phép cập nhật
ngữ liệu thường xuyên, phát hiện những hiệ
n tượng ngôn ngữ đa dạng và phong phú
một cách khách quan hơn so với thu thập dữ liệu truyền thống.

trong mỗi ngôn ngữ là khác nhau, hoặc tập nhãn từ loại, nhãn chức năng cũng khác
nhau trong mỗi ngôn ngữ, tuy nhiên chúng có thể ánh xạ sang nhau. Bài toán tách từ
và gán nhãn từ loại trên thế giới hiện nay đã có quá trình nghiên cứu lâu dài, chẳng
hạn như với nghiên cứu của Foo & Lin [51] cho thấy quá trình phát triển của bài
toán tách từ tiếng Trung, đặc biệt đối với tiếng Việt cũng được thể hiện qua nghiên
cứu của nhóm tác giả Nguyễn Thị Minh Huyền [57], Phan Xuân Hiếu [9], Lê Hồng
Phương [81]. Trong việc gán nhãn từ loại hiện nay trên Internet đã có sẵn một số hệ
mã nguồn mở [111, 112, 113], ta có thể tùy biến phát triển nó để dùng cho ngôn
ngữ mới. Tùy vào điều kiện cụ thể mà ta lựa chọn công cụ gán nhãn tự động thích
hợp. Chẳng hạn với việc gán nhãn từ loại, nếu đã có sẵn chương trình gán nhãn từ
loại thì ta sử dụng nó làm công cụ luôn. Hoặc ta chấp nhận việc phải gán nhãn từ
đầu (bằng tay hoàn toàn) cho một phần ngữ liệu thô, sau đó huấn luyện hệ gán nhãn 8
từ loại dựa trên phần này rồi dùng nó làm công cụ xử lý phần còn lại của kho ngữ
liệu thô. Việc này có thể được lặp lại trong quá trình làm việc. Việc gán nhãn bằng
tay có thể sử dụng công cụ hỗ trợ những người gán nhãn, có hai nội dung chính là
hỗ trợ soạn thảo cây cú pháp (giao diện) và gán nhãn trước, sau đó người gán nhãn
sẽ sửa lại[12].
1.2.2.2. Chuẩn hoá mô hình chú giải ngữ liệu
Nghiên cứu về XLNNTN
đòi hỏi các nhà nghiên cứu phải xây dựng được một
tài nguyên ngôn ngữ khổng lồ, tốn nhiều công sức. Lợi ích của việc chia sẻ những
tài nguyên này là rõ ràng, không cần bàn cãi. Tuy nhiên, việc làm này cũng không
phải là dễ dàng, tuỳ tiện, mà nó đòi hỏi phải theo những nguyên tắc, chuẩn mực
nhất định. Chẳng hạn, nếu chúng ta có nhiều kho văn bản, mỗi kho lại do một nhóm
nghiên cứu lựa chọn bộ nhãn riêng (cho phù hợp v
ới ứng dụng của mình), thì rốt
cục cũng không thể chia sẻ được cho cộng đồng cùng thụ hưởng. Sự tương đồng và

học máy phục vụ cho xử lý ngôn ngữ,
khai thác cho các văn phạm phục vụ cho việc phân tích cú pháp và có thể khai thác
cho việc xây dựng từ điển (đơn ngữ, đa ngữ), dịch tự động v.v.
1.2.3.1. Nghiên cứu từ vựng
Sử dụng kho ngữ liệu văn bản để xây dựng từ điển là một phương pháp đã được
áp dụng từ lâu. Khi chưa có máy tính, các nhà từ điể
n học sử dụng các tấm thẻ chỉ
mục để lưu trữ thông tin sử dụng từ. Vào những năm 1980, cùng với dự án
COBUILD (Collins Birmingham University International Language Database)
nhằm xây dựng và phân tích kho văn bản tiếng Anh phục vụ việc xây dựng từ điển,
Sinclair [66] đã nhìn thấy khả năng lưu trữ, sắp xếp, tìm kiếm một cách khách quan
hơn của máy tính so với con người. Kể từ dự
án này, các nhà xây dựng từ điển đã sử
dụng công cụ truy vấn kho ngữ liệu, cho phép tra cứu từ khó trong ngữ cảnh để
nghiên cứu hành vi của một từ. Do vậy, các hệ thống truy vấn kho ngữ liệu (Corpus
Query Systems - CQSs) đóng vai trò quan trọng trong lý thuyết và thực hành biên
soạn từ điển. Có thể kể đến một số hệ thống truy vấn kho ngữ liệu như WordSmith,
MonoConc, Stuttgart workbench hay Manatee, WordSketch…Các nhà nghiên cứ
u
từ điển sử dụng hệ thống truy vấn kho ngữ liệu để tìm kiếm các cụm từ, thứ tự ưu
tiên của các từ xung quanh một từ, các mẫu ngữ pháp, để sắp xếp các từ đi cùng
theo nhiều tiêu chí khác nhau, để xác định các kho ngữ liệu con cho việc tìm kiếm.
Tuy nhiên, khi kích thước kho văn bản ngày càng khổng lồ, số ngữ cảnh xuất
hiện một từ trở
nên quá lớn, thì công cụ tìm kiếm ngữ cảnh đơn giản trở nên không
đủ. Church. K. W. và Hanks. P [69] đã khởi xướng lĩnh vực thống kê từ vựng. Họ