4/21/2011

PHẦN I:
PHÂN LỚP VĂN BẢN TIẾNG VIỆT
THEO HƯỚNG TIẾP CẬN
LEXICAL CHAIN

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
ƒ số
ố từ với
ới ttrọng số
ố khác
khá 0 nhỏ
hỏ hơn
h rất
ất nhiều
hiề so với
ới số
ố từ có
ó
trong Cơ sở dữ liệu

Các phương pháp biểu diễn văn bản
ƒ Mô hình tần số kết hợp TF x IDF

g
ƒ Một số loại quan hệ về ngữ nghĩa giữa các từ:
ƒ
ƒ
ƒ
ƒ
ƒ

Lặp lại (Repeatation)
Đồng nghĩa (synonyms )
Trái nghĩa ()
Bộ phận-Toàn thể (hypernyms, hyponyms )
…

ƒ Ví dụ : C1= {kinh tế, thương mại, lĩnh vực, vốn, thị trường}

1


4/21/2011

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 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

g của X.
ƒ Mỗi nhánh của nút nàyy tương
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 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.

PHẦN II:

TIẾP CẬN BÀI TOÁN PHÂN LỚP
VĂN BẢN TIẾNG VIỆT THEO HƯỚNG
LEXICAL CHAIN


Từ điển
Stopword

1.Tiền xử lý

2. Xây dựng Lexical Chains
(LC)

Kho văn
bản đã
huấn
luyện

Cây
phân
cấp
ngữ
nghĩa

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

Tiền xử lý văn bản


F
Là từ
khoá ?

…

Bỏ q
qua 1
tiếng ở bên
phải

Cắt từ khỏi
truy vấn

Mức trừu tượng chung thấp nhất
Cây phân cấp
ngữ nghĩa
Tiếng Việt

animal

K
Mammal

Bird

N

Fish

ƒ Xuất phát từ tập chain rỗng.
ƒ Với mỗi từ w:
ƒ

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)
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: w(Vij , Vi ' j ' ) = sim( Sij , Si ' j ' )
ƒ Trọng số của mỗi nghĩa Vij:
w(Vij ) = ∑ w(Vij , Vi ' j ' ) (i ' ≠ i, i, i ' = 1, n)

3



Vật
dụng
CÂN

ĐƯỜNG

+ Đường: W(‘Gia vị’) =2.0, W(‘vận tải’)
=0.8

Homogeneity = 1 − α

=> Đường = Gia vị
+ Cân: W(‘đơn vị đo lường’) =1.8,
W(‘Vật dụng’) =1.4

Hoa
quả

Number _ of _ distinct _ words _ in _ C
Length

ƒ Alpha = 0.75

⇒Cân = đơn vị đo lường

CHANH

Gán nhãn lớp cho văn bản


Chức năng Huấn luyện tập mẫu

Tiền xử lý

TIẾP CẬN BÀI TOÁN PHÂN LỚP
VĂN BẢN TIẾNG VIỆT THEO HƯỚNG
LEXICAL CHAIN

Tập văn
bản thô
(đã phân
lớp đúng)

Xây dựng
tập Lexical
Chains

Tập văn bản
chỉ chứa
danh từ

Lọc các
Chains mạnh
và lưu trữ

Tập văn bản
dưới dạng
các chain

Tập văn

Văn bản đầu
vào (cần phân
lớp)

Xây dựng
WSD
Graph

Chọn
nghĩa phù
hợp nhất

Tiền xử
lý

Tập danh
từ+ tập
nghĩa
Cấu trúc
nên các
chain
XÂY DỰNG TẬP LEXICAL
CHAINS

Từ điển
tiếng
Việt+ ngữ
nghĩa

Tập V.bản

<LexicalEntry>
<HeadWord>cá quả</HeadWord>
<Morphology>
<WordType>composite word</WordType>
</Morphology>
<Semantic>
<LogicalConstraint>
<CategoryMeaning>Animal</CategoryMeaning>
<Synonym>_</Synonym>
<Antonym>_</Antonym>
</LogicalConstraint>
<Definition>cá dữ ở nước ngọt, thân tròn, dài, có nhiều
đốm đen, đầu nhọn, khoẻ, bơi nhanh</Definition>
</Semantic>
</LexicalEntry>

Thiết kế dữ liệu

¾Cây phân cấp nghĩa (nguồn: trung tâm từ điển học Vietlex):

Organization

Root/ConcreteThing/LivingThing/People/Organization

Giao diện chính

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:

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
Số chủ đề (lớp)
Kích thước bài báo lớn nhất
Kích thước bài báo nhỏ nhất
Kích thước trung bình của một bài báo
Số danh từ nhiều nhất trong một bài báo
Số danh từ ít nhất trong một bài báo
Số danh từ trung bình trong một bài báo

Một số kết quả thử nghiệm

100
8
6.13 KB
1.11 KB
3.30 (KB)
89
18
35.47

Nhận xét
ƒ Các văn bản bị phân lớp sai do một số nguyên nhân:

Số bài báo được thử nghiệm

100

Thời gian phân lớp nhanh nhất

Độ chính xác (precision)

100

ƒ Cây phân cấp
ấ ngữ nghĩa còn hạn chế
ế về
ề số
ố 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.

92 %

6