HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
PHAN THỊ HÀ NGHIÊN CỨU VIỆC XÂY DỰNG, CHUẨN HÓA VÀ
KHAI THÁC KHO NGỮ LIỆU TỪ NGUỒN INTERNET
CHO XỬ LÝ TIẾNG VIỆT

Chuyên ngành: Hệ thống Thông tin
Mã số: 62.48.01.04 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà nội - 2013

[1] Phan Thị Hà, Nguyễn Thị Minh Huyền, Lê Hồng Phương, Lưu
Văn Tăng, Xây dựng sơ đồ mã hóa và công cụ trợ giúp gán nhãn
tiếng Việt, Proceedings of ICT.rda'08. Hanoi Aug. 8-9, 2008.
[2] Lê .H.Phương, Ng.T.M. Huyền, Nguyễn Phương Thái, Phan thị
Hà, Trích rút tự động văn phạm LTAG cho tiếng Việt , Tạp chí
Tin học và Điều khiển học, Tập 26 số 2, 2010.
[3] Phan Thị Hà, Nguyễn Thị Minh Huyền, Rút trích tự động văn
phạm CFG từ VietTreebank cho phân tích câu tiếng Việt, Tạp
chí Khoa học Công nghệ các trường đại học, Số 80, 2011.
[4] Phan Thị Hà, Nguyễn Thị Minh Huyền, Lê Hồng Phương, Adam
Kilgarriff, Siva Reddy, Nghiên cứu từ vựng tiếng Việt với hệ
thống Sketch Engine, Tạp chí Tin học Và Điều khiển học, Tập 27
số 3, 2011.
[5] Phan Thị Hà, Trịnh thị Vân Anh, Một số vấn đề trong phân tích
tự động cú pháp tiếng Việt, Hội thảo Khoa học công nghệ, Học
viện CNBCVT, Hà nội. 16-9, 2011.
[6] Phan Thị Hà, Hà Hải Nam, Automatic main text extraction from
web pages, Tạp chí Khoa học và Công nghệ, Viện Khoa Học
Việt Nam, Tập 51, Số 1, 2013.
hình thống kê dựa trên dữ liệu đã cho thấy tính vượt trội so với cách
tiếp cận dựa trên luật. Hiện tại, các
kho ngữ liệu lớn phục vụ cho
tiếng Việt còn hiếm. Vì vậy việc xây dựng, chuẩn hóa và khai thác
kho ngữ liệu từ nguồn Internet cho xử lý tiếng Việt là rất cần thiết.
Mục tiêu. Xây dựng, chuẩn hóa và khai thác kho ngữ liệu tiếng Việt:
-
Xây dựng kho ngữ liệu thô có kích thước lớn (hàng GB) từ
Internet.
-
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.
Phạm vi nghiên cứu của luận án. Để đạt được mục đích trên, phạm
vi nghiên cứu của luận án tập trung vào mức hình thái và mức cú
pháp, cụ thể là:
-
Nghiên cứu về phương pháp và thuật toán xây dựng kho ngữ
liệu thô tiếng Việt từ Internet.
-
Nghiên cứu xây dựng và triển khai một số chuẩn hóa mô hình
chú giải được phát triển bởi tiểu ban kỹ thuật ISO/TC 37/SC 4
cho tiếng Việt phục vụ việc phân phối và trao đổi ngữ liệu.
-
Khai thác kho ngữ liệu thô và xây dựng bộ quan hệ ngữ pháp cơ 2

Qua khảo sát một số kho ngữ liệu lớn có chú giải trên thế giới cho
thấy việc xây dựng các kho ngữ liệu được thực hiện thông qua hai
phương pháp chính: 3
1.3
1.4
Thứ nhất: Thủ công hoặc bán thủ công, thực hiện qua hai bước
chính: Bước 1.Thu thập kho văn bản thô: Nguồn gốc thu thập dữ liệu
từ tạp chí, sách báo, báo điển tử, sách giáo khoa Bước 2. Chú giải
ngôn ngữ: Công việc này có thể thực hiện thủ công hoặc sử dụng các
công cụ đã tồn tại.
Thứ hai. Xây dựng tự động từ Internet, thực hiện qua 5 bước
chính: Bước 1.Lựa chọn một danh sách các từ hạt giống có tần suất
xuất hiện trung bình. Bước 2.Thu thập dữ liệu từ Web bằng cách sử
dụng các từ hạt giống để tạo ra truy vấn thông qua các cổng tìm
kiếm như Yahoo và Google và tải các trang kết quả về. Bước 3.Làm
sạch văn bản, loại bỏ các thông tin quảng cáo và các thông tin nhiễu
khác. Bước 4.Loại bỏ các văn bản trùng lặp. Bước 5.Chú giải ngôn
ngữ và chuẩn hóa.
Chuẩn hoá kho ngữ liệu
Vấn đề chuẩn hoá mô hình chú giải kho ngữ liệu là vấn đề quan
trọng, nhằm mở rộng đến mức tối đa phạm vi sử dụng và khai thác
tài nguyên đặc biệt là trên máy tính, đây chính là vấn đề đang được
quan tâm bởi tiểu ban kĩ thuật ISO/TC 37/SC 4. Một số mô hình chú
giải kho ngữ liệu được phát triển bởi tiểu ban kĩ thuật ISO/TC 37/SC
4 như như mô hình chú giải hình thái cú pháp (MAF -
Morphosyntactic Annotation Framework), mô hình chú giải cú pháp
(SynAF - Syntactic Annotation Framework), mô hình chú giải ngôn

cú pháp của các câu cho tiếng Việt.
Khai thác kho ngữ liệu: Trong luận án tác giả đi sâu vào khai thác
kho ngữ liệu cho nghiên cứu từ vựng và phân tích cú pháp tiếng Việt:
- Luận án lựa chọn nghiên cứu hệ thống truy vấn kho ngữ liệu
Sketch Engine phục vụ cho việc nghiên cứu từ vựng, bởi hai lý do;
Thứ nhất: Skech Engine - Hệ thống truy vấn kho ngữ liệu cho phép
người sử dụng xem xét ngữ cảnh theo quan hệ ngữ pháp và cung cấp
thống kê về tần suất xuất hiện các từ theo mỗi quan hệ ngữ pháp, tra
cứu các từ đồng và phản nghĩa, so sánh thông tin của hai từ tương tự
nha v.v. Hệ thống đã được sử dụng cho nhiều ngôn ngữ khác nhau
nhưng chưa được sử dụng cho tiếng Việt. Thứ 2: Đối với tiếng Việt,
các nhà làm từ điển hiện nay thường mới chỉ có công cụ để tra cứu
ngữ cảnh của một từ trong kho ngữ liệu, chưa có các thống kê tự
động để so sánh, chọn lọc các ngữ cảnh. Việc sử dụng một bộ công 5
1.6
cụ như hệ thống Sketch Engine sẽ là rất hữu ích, giúp cải thiện quy
mô và chất lượng từ điển
- Mọi bộ phân tích cú pháp đều cần một bộ luật cú pháp, hay còn
gọi là văn phạm, được biểu diễn bởi một hệ văn phạm hình thức cụ
thể nào đó. Đối với tiếng Việt, với dự án KC01.01/06-10 đã tồn tại
một số kho ngữ liệu tiếng Việt như ngân hàng câu chú giải cú pháp
(VietTreeBank), từ điển điện tử…Trong luận án đã đi sâu vào nghiên
cứu và xây dựng thuật toán trích rút tự động văn phạm phi ngữ cảnh
(CFG) và văn phạm kết nối cây (TAG) từ VietTreebank và từ điển
cho tiếng Việt bởi lý do sau: Thứ nhất, từ điển và VietTreebank có
một cơ sở ngôn ngữ học vững chắc, nó bao gồm lý thuyết văn phạm
cảm sinh được khởi xướng bởi Chomsky và lý thuyết ngữ pháp chức

INTERNET
Giới thiệu
Chương này trình phương pháp xây dựng kho ngữ liệu thô tiếng
Việt từ Internet, phương pháp sử dụng được phát triển từ phương
pháp xây dựng cho tiếng Anh và một số tiếng phổ biến khác.
Xây dựng kho ngữ liệu thô
Phương pháp thu thập kho ngữ liệu sử dụng ở đây được dựa trên
phương pháp của Aidan Finn và A.Kilgarriff, nhưng thuật toán thu
thập kho ngữ liệu chi tiết từng bước đã được lựa chọn và phát triển
để phù hợp phù hợp với tiếng Việt. Về cơ bản, quá trình thu thập kho
ngữ liệu từ Internet được phát triển trong 5 bước đã giới thiệu ở mục
1.5.
2.2.1 Lựa chọn danh sách từ hạt giống
Từ hạt giống đóng vai trò là từ khóa tìm kiếm trong việc thu thập
kho ngữ liệu văn bản của mỗi ngôn ngữ. Đây phải là các từ đặc trưng
cho mỗi ngôn ngữ, tức là phải có tần suất xuất hiện đáng kể và có
tính phân biệt so với các từ trong ngôn ngữ khác. Đối với tiếng Việt,
danh sách từ hạt giống được thu thập từ việc phân đoạn từ của các
câu trong các trang Wiki tiếng Việt. Thuật toán phân đoạn từ đơn
giản được sử dụng là duyệt theo từng câu từ trái sang phải, chọn ranh
giới từ sao cho từ thu được có nhiều âm tiết nhất có thể so sánh với
danh sách từ đúng là từ tiếng Việt (word list). Cách lựa chọn này rõ
ràng không phải bao giờ cũng chính xác, nhưng sai số là chấp nhận
được cho mục đích lập danh sách tần suất từ; Sau đó lựa chọn từ hạt
giống từ danh sách tần suất; tiêu chí chọn từ hạt giống của mỗi ngôn
ngữ là khác nhau, đối với tiếng Việt tiêu chí được chọn là từ hạt
giống phải có ít nhất 1 kí tự Unicode không thuộc phạm vi ASCII,
các từ khác sẽ không được xét, các chữ số hoặc các mục không phải
kí tự cũng sẽ bị loại trừ. Danh sách từ hạt giống, được sắp xếp theo
chiều giảm dần của tần suất, trong đó 1000 từ có tần suất cao nhất

Bước 0: Mỗi trang web tương ứng với 1 tệp định dạng HTML.
Làm sạch mã HTML bằng cách loại bỏ những thẻ, những đoạn mã
HTML chắc chắn không chứa thông tin liên quan đến nội dung như
các thẻ <input>, <script>, <img>, <marquee>,
<! >, <iframe>…
và phần nội dung HTML nằm bên ngoài cặp thẻ <body></body> của
mỗi trang web.
Bước 1: Đối với phần trang web còn lại, xây dựng hai mảng,
binary_tokens[] và tokens[]; Binary_tokens[] gồm các phần tử 1 (thẻ 8
HTML) và -1 (dấu hiệu văn bản);Tokens[] là mảng gồm các phần tử
là các dấu hiệu văn bản/thẻ tương ứng với các phần tử trong
binary_tokens[]; Gộp các phần tử liền nhau có giá trị giống nhau
trong mảng binary_tokens[] lại làm thành một phần tử lưu vào mảng
encode[];
Bước 2: Xác định vị trí hai điểm i, j từ mảng binary.tokens[]vừa
thu được ở bước 1 sao cho số phần tử -1 (tương ứng với dấu hiệu văn
bản) giữa [i,j] là lớn nhất và số phần tử 1 (tương ứng với thẻ) ngoài
khoảng [i,j] là lớn nhất. Tiến hành bóc tách dữ liệu trong đoạn [i,j] và
loại bỏ các thẻ HTML.
Chỉ thu thập nội dung văn bản các trang web có đủ độ lớn và đã
kiểm tra tính kết nối.Các trang web thu về sẽ được kiểm tra xem có
độ lớn thỏa mãn (>5KB và <2MB)?, nếu có thì thuật toán BTE mới
thực hiện để trích rút lấy nội dung văn bản chính;
Thử nghiệm và đánh giá thuật toán BTE
Bảng 2. 3. So sánh tỷ lệ “Thân văn bản cần lấy/ toàn bộ nội dung văn
bản trích rút được”
Loại trang web Thuật toán cải tiến Thuật toán của Aidan.Fin

GB (khoảng 100 triệu từ).
Kết luận
Trong chương này luận án đã phát triển thuật toán thu thập dữ liệu
từ web cho phù hợp với tiếng Việt để xây dựng kho ngữ liệu. Xây
dựng công cụ tự động thu thập kho ngữ liệu từ Internet có tên là
Vncopus; Thử nghiệm và đánh giá thuật toán cải tiến.
3. CHƯƠNG 3.CHUẨN HÓA MÔ HÌNH CHÚ GIẢI TIẾNG
VIỆT
Mô hình MAF của ISO/TC 37/SC 4
Phần này trình bày mô hình chú giải hình thái cú pháp MAF
được phát triển bởi ISO/TC 37/SC 4.

Mô hình SynAF của ISO/TC 37/SC 4
Phần này trình bày mô hình chú giải hình thái cú pháp SynAF
được phát triển bởi ISO/TC 37/SC 4.
Chuẩn hóa mô hình chú giải tiếng Việt
3.3.1 Chuẩn hóa theo mô hình MAF
Thông tin hình thái cú pháp tiếng Việt chủ yếu dựa vào hình thái
từ, phân loại từ, phân loại cụm, cú pháp (ví dụ từ loại của từ có thể là
danh từ, động từ, tính từ…) mà không phụ thuôc vào giống, số, cách

1
1.01/lib/Text/DeDuper.pm#NAME
10
…như đối với các thứ tiếng khác. Do đó chúng ta có thể lựa chọn
chú giải nhúng cho tiếng Việt để đơn giản và tiện dụng. Ngoài ra,
việc phân chia tài liệu ra thành các từ riêng biệt (word Form), trong
11
3.4
4.1
(VnSynAF) tương tự như trong mô hình chú giải cú pháp chuẩn quốc
tế SynAF. Mô hình VnSynAF là một lược đồ mã hóa dựa trên định
dạng XML có thể sử dụng trong việc định dạng và mã hoá treebank
cho tiếng Việt. Về cấu trúc chung của mô hình này trong luận án sử
dụng tương tự như trong SynAF:
- Mỗi nút T Node biểu diễn một từ vựng tiếng Việt tương ứng
trong một wordform.
- Nút NT dùng để biểu diễn các thành phần không kết thúc như
từ loại, cụm từ, nhãn quy ước cho các dấu. Sử dụng các hạng
mục nhãn hình thái (từ loại), nhãn cú pháp thành phần, nhãn
phân loại câu để gán nhãn cho các nút NT.
- Các cung (edge) dùng để liên kết giữa các nút, biểu diễn chức
năng của một thành phần cú pháp, cho biết vai trò của nó trong
thành phần cú pháp mức cao hơn, nhờ đó giúp chúng ta biết
được quan hệ ngữ pháp giữa các nút, như là chủ ngữ, vị ngữ,
tân ngữ. Sử dụng hạng mục nhãn chức năng cú pháp để gán
nhãn cho các cung.
Trong phần này tác giả xây dựng bảng danh sách các hạng mục dữ
liệu, nhãn từ loại, nhãn cú pháp thành phần, nhãn phân loại câu, nhãn
chức năng cú pháp cho tiếng Việt tham chiếu tới DCR (ISO 12620)
dựa trên tài liệu “Thiết kế tập nhãn cú pháp và hướng dẫn gán nhãn”
Kết luận
Xây dựng và triển khai các mô hình chú giải kho ngữ liệu tiếng
Việt ở mức hình thái-cú pháp (MAF) và mức phân tích cú pháp cho
tiếng Việt có tên là VnSynAF tương thích với mô hình MAF và

hệ ngữ pháp và cung cấp thống kê về tần suất xuất hiện các từ theo
mỗi quan hệ ngữ pháp. Word Sketch đã được Kilgarriff phát triển
thành hệ thống Sketch Engine - hệ thống có thể nhận đầu vào là kho
ngữ liệu của bất cứ ngôn ngữ nào cùng với bộ mẫu ngữ pháp tương
ứng. Ngoài chức năng của Word Sketch, hệ thống còn cung cấp thêm
các chức năng: Thesaurus. Cho phép tra cứu các từ đồng và phản
nghĩa và Sketch Difference. Cho phép so sánh thông tin của hai từ
tương tự nhau.
Hiện thời, Skech Engine đã trở thành một hệ thống truy vấn kho
ngữ liệu đã được thử nghiệm trên nhiều ngôn ngữ khác nhau (Anh,
Séc, Nhật, Trung, Nga, Xlôven ) và được đánh giá là có hiệu quả tốt
trong việc xây dựng từ điển, việc nghiên cứu và thực hành ngôn ngữ. 13
4.2

4.1.3 Ngữ liệu trong Sketch Engine
Sketch Engine đòi hỏi phải xây dựng được ngữ liệu của mỗi ngôn
ngữ cụ thể cho hệ thống, đó là bộ quan hệ ngữ pháp cơ bản của mỗi
ngôn ngữ được biểu diễn thông qua ngôn ngữ truy vấn kho ngữ liệu
bên cạnh kho ngữ liệu lớn của các văn bản đã được chú giải ít nhất ở
mức từ loại. Để xác định quan hệ ngữ pháp giữa các từ, Sketch
Engine cần biết làm thế nào tìm được các từ kết nối với nhau theo
một quan hệ ngữ pháp trong ngôn ngữ đang xét.
Xây dựng ngữ liệu tiếng Việt cho hệ thống Sketch Engine
Để sử dụng được cho nghiên cứu từ vựng tiếng Việt, Sketch
Engine đòi hỏi phải xây dựng được: Kho ngữ liệu tiếng Việt có kích
thước lớn được tách từ và gán nhãn từ loại. Bộ quan hệ ngữ pháp cơ
bản tiếng Việt được biểu diễn thông qua ngôn ngữ truy vấn kho ngữ

kích thước lớn thu thập từ Internet và bộ quan hệ ngữ pháp tương
ứng vào hệ thống; Hình 4.1, minh họa cho việc khai thác kho ngữ
liệu tiếng Việt phục vụ cho việc thống kê tần suất và tính trội của các
từ lân cận với một từ bất kỳ. Trong đó, tính trội được thống kê theo
tỷ lệ của việc quan sát thực tế với giả thiết đảo (của các từ lân cận
cùng xuất hiện với một từ bất kỳ) thông qua công thức T-score hoặc
MI-score; Hình 4.2, minh họa việc liệt kê một số danh sách quan hệ
ngữ pháp xuất hiện xung quanh hai tính từ có nghĩa gần tương tự
nhau ”đẹp” và ”xinh”, trong đó mỗi danh sách thống kê tần suất và
tính trội của các từ lân cận với 2 từ này trong mỗi quan hệ ngữ pháp
(tương ứng tần suất là cột thứ 2,3; tính trội là cột thứ 4,5). Ngoài ra
trong bảng còn có một số danh sách quan hệ ngữ pháp chỉ xuất hiện
xung quanh duy nhất một từ (”đẹp” only patterns) hoặc (”xinh” only
patterns), trong đó mỗi danh sách liệt kê các từ cùng tần xuất và tính
trội xuất hiện xung quanh chỉ tính từ ”đẹp” hoặc chỉ tính từ ”xinh”.
Các thông tin này có thể giúp người nghiên cứu từ vựng, xây dựng từ
đưa ra được sự giống nhau, khác nhau khi sử dụng 2 từ này; Hình
4.3, minh họa cho việc khai thác kho ngữ liệu và bộ quan hệ ngữ
pháp- cho phép liệt kê một số danh sách quan hệ ngữ pháp xuất hiện
xung quanh từ khóa (ví dụ tính từ “đẹp”). Trong đó, mỗi danh sách
liệt kê các từ và cùng tần suất và tính trội của các từ trong cùng mối
quan hệ ngữ pháp với từ khóa. Sau đây là liệt kê mộ số danh sách:
Danh sách N_front_modifier_A: Danh sách các danh từ ở phía trước
mà tính từ “đẹp” bổ nghĩa; Danh sách A_after_modifies_A: Danh
sách các tính từ phía sau bổ nghĩa cho tính từ “đẹp”; Danh sách
R_front_modifies_A: Danh sách các phụ từ phía trước bổ nghĩa cho 15
tính từ “đẹp”; Danh sách predicate_of: Danh sách các từ mà tính từ


Hình 4. 3. Một số bảng danh sách từ có quan hệ ngữ pháp với tính từ “đẹp”
4.2.4 Đánh giá độ tương tích bộ quan hệ ngữ pháp và kho ngữ
liệu tiếng Việt trên hệ thống Sketch Engine
Kết quả cho thấy độ tương thích của bộ quan hệ ngữ pháp và kho
ngữ liệu tiếng Việt trên hệ thống Sketch Engine là 100%, mọi truy
vấn của bộ quan hệ ngữ pháp cơ bản tiếng Việt đã phù hợp với hệ
thống Sketch Engine, các ngữ cảnh trong kho ngữ liệu phù hợp với
mỗi truy vấn. Hệ thống Sketch Engine có thể sử dụng để nghiên cứu
từ vựng cho tiếng Việt, mọi chức năng của hệ thống sử dụng cho
tiếng Việt cũng đáp ứng như đối với các ngôn ngữ khác.
Kết luận
Trong chương này luận án đã xây dựng bộ quan hệ ngữ pháp bản
tiếng Việt (37 quan hệ ngữ pháp) được biểu diễn thông qua ngôn ngữ
truy vấn kho ngữ liệu phục vụ cho hệ thống nghiên cứu từ vựng
Sketch Engine; Triển khai hệ thống Sketch Engine cho nghiên cứu từ
vựng tiếng Việt dựa trên bộ quan hệ ngữ pháp và kho ngữ liệu có chú
giải tiếng Việt. Đánh giá độ tương thích của bộ quan hệ ngữ pháp và
kho ngữ liệu tiếng Việt trên hệ thống Sketch Engine .
giản hơn sử dụng đệ quy theo cách tiếp cận của Roberto Valenti và
D.Jurafsky and Martin.
5.3.2 Phân tích cú pháp tiếng Việt với văn phạm PCFG
Dựa theo phương pháp của Martin phần mềm phân tích cú pháp
cho tiếng Việt được phát triển thông qua 2 giai đoạn: Giai đoạn 1.
Thay cho việc tách từ thì gán luôn nhãn từ loại (đồng thời tách từ) 18
bằng cách sử dụng bộ công cụ gán nhãn từ loại đã có sẵn. Giai đoạn
2. Phân tích cú pháp của câu đã được tách từ và gán nhãn từ loại, bộ
phân tích cú pháp sẽ phân tích câu thành các cây cú pháp có thể và
cây có xác suất cao nhất sẽ được ưu tiên lựa chọn. Thuật toán tương
tự như thuật toán PCYK của D.Jurafsky and Martin, tuy nhiên ở
bước đầu trong thuật toán không cần phải tính toán xác suất từ loại
của mỗi từ, thay vào đó xác suất từ loại của mỗi từ được gán luôn là
1, vì theo cách tiếp cận này thì xác suất từ loại đối với mỗi từ là cố
định, không phụ thuộc vào việc tìm cây có xác suất cao nhất.
5.3.3 Thử nghiệm và đánh giá
Phần mềm phân tích cú pháp dựa trên văn phạm PCFG được cài
đặt với cả hai phương pháp, đó là phương pháp của Jurafsky và
Martin và phương pháp cải tiến mới của tác giả. Trong đó có 2 chức
năng chính, chức năng 1, trích rút tự động các luật của văn phạm
PCFG VietTreebank, chức năng 2, phân tích cú pháp cho câu đầu
vào bất kỳ dựa trên bộ luật của văn phạm PCFG. Kết quả cho thấy
khi chạy thử 30 câu tiếng Việt trên 200 câu dữ liệu huấn luyện,
phương pháp cải tiến trình bày trong luận án kết quả phân tích cú
pháp (67.7%) tốt hơn phương pháp của Jurafsky và Martin (62.2%).
Bảng 5.2 cho kết quả trích rút luật và đánh giá bộ phân tích cú pháp
của phương pháp cải tiến trong luận án. Độ chính xác của bộ phân

văn phạm LTAG mà trình bày ở đây tương đối giống với phương
pháp trích rút văn phạm được đề xuất bởi Xia. Tuy nhiên, có một số
điểm khác nhau về phương pháp thiết kế và cài đặt thuật toán giữa
hai cách tiếp cận:
Thứ nhất, trong bước xây dựng cây phân tích, trước tiên xử lí toàn
bộ các cụm liên từ đẳng lập của cây cú pháp trước khi phân biệt các
thành phần đối và phụ trợ, thay vì xử lí đồng thời cả ba dạng cấu
trúc. Việc xử lí tuần tự này dễ hiểu và dễ cài đặt hơn vì các cụm đẳng
lập có cấu trúc khác với các cấu trúc đối và phụ trợ. Thứ hai, trong
bước trích rút cây cơ bản, không tách mỗi nút của cây thành hai
thành phần trên và dưới như trong cách tiếp cận của Xia. Các nút của
cây phân tích được sao chép trực tiếp sang các cây cơ bản. Việc sao
chép trực tiếp mà không tách nút làm tăng tính hiệu quả thời gian và
không gian của các thuật toán. Thứ ba, quá trình trích rút cây được
phân rã thành các thủ tục con, gọi tương hỗ qua lại để lặp lại quá
trình trích rút trên từng cây con có nút gốc chưa được xử lí. Các
hàmđệ quy tương hỗ được thiết kế kỹ lưỡng đảm bảo không có lời
gọi thừa, mỗi một nút của cây phân tích chỉ được xử lí một lần. Tính 20
hiệu quả và dễ tối ưu hoá của phương pháp “chia để trị” đã được
chứng minh và cài đặt thuật toán giữa hai cách tiếp cận.
Kết quả thử nghiệm: V ăn phạm LTAG thu được đã phủ hoàn toàn
các cấu trúc cú pháp của treebank, số mẫu cây của văn phạm hội tụ
rất chậm cho thấy có nhiều cấu trúc cú pháp chưa được mã hoá trong
VietTreebank, nói cách khác là VietTreebank chưa đủ lớn hoặc chưa
đủ điển hình để phủ hết các mẫu cú pháp của tiếng Việt. Hình 5.12
minh hoạ số mẫu cây tăng dần theo kích thước của treebank được sử
dụng. Việc hội tụ rất chậm của số mẫu cây cho thấy kích thước hiện

Phần tiếp theo sẽ trình bày thuật toán trích rút cây cơ sở (ứng với
quan hệ vị từ-đối) của LTAG từ từ điển tiếng Việt.
Thuật toán trích rút cây cơ sở: Dựa vào thông tin của mỗi mục từ
Entry, kiểm tra xem trong thẻ cú pháp (<Syntactic>) có tồn tại thành
phần vị từ-đối (Subcategorization Frame) không? Nếu tồn tại thì xây
dựng 3 dạng cây cơ sở: 1.cây cơ sở là cụm từ cùng với từ loại, từ
vựng (ví dụ: “(VP (V đi))”), 2. các cây cơ sở là cụm từ tương ứng
cùng từ loại, từ vựng và các đối phía sau của từ loại đó (Ví dụ: “(VP
(V đi) (+PP))”, 3. cây cơ sở là một câu đơn (cú pháp thành phần) (ví
dụ: “(S (+NP) (VP (V đi) (+PP)))”). Nếu không tồn tại thì chỉ xây
dựng cây là cụm từ cùng với từ loại và từ vựng (ví dụ: “(AP (A đế
quốc))” hoặc “(AP (Ap đế quốc))”)
5.4.3 So sánh, đánh giá tập cây khởi tạo trích rút từ
VietTreebank và từ điển
Để so sánh và đánh giá tập cây khởi tạo, NCS xây dựng phần mềm
với hai chức năng chính, chức năng thứ nhất là trích rút tự động các
cây cơ sở từ từ điển dựa vào thuật toán đã xây dựng; Chức năng thứ
hai là so sánh đưa ra các cây giao nhau, lệch nhau được sinh ra từ
cùng một số động từ trong các cây cơ sở của từ điển và
VietTreebank. Kết quả được cho ở ở Bảng 5.8. Trong đó cột (1) là
Bước thử nghiệm; cột (2) là các từ giao nhau; cột (3) là số cây cơ sở
của từ điển có neo là từ giao nhau; Cột (4) là số cây cơ sở của
VietTreebank có neo là từ giao nhau; Cột (5) là số cây cơ sở giao
nhau ; Cột 6 là tỷ lệ cây cơ sở trùng nhau so với các cây cơ sở của
VNTreebank. Cột (7) là tỷ lệ cây cơ sở trùng nhau so với các cây cơ
sở của từ điển; Cột (8) là trung bình số từ trên 1 cây cơ sở giao nhau
Bảng 5.7 cho thấy độ chênh lệch khá cao về các cây cơ sở giao
giữa từ điển và VietTreebank khi cùng bắt nguồn từ 1469 từ neo là
động từ, có thể kể đến một số nguyên nhân như: Trong VietTreebank
khi chú giải từ loại chưa nhất quán sử dụng từ loại chung hay tiểu từ