

LUẬN VĂN TỐT NGHIỆP

HỆ THỐNG TÌM KIẾM THÔNG TIN
XUYÊN NGÔN NGỮ VIỆT – ANH – HOA
Giáo viên hướng dẫn : Ts Hồ Quốc Bảo & Ts Đinh Điền
Sinh viên thực hiện : Nguyễn Thị Hồng Nhung
& Nguyễn Thị Tuyết Mai

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
MỤC LỤC
MỤC LỤC 1
MỞ ĐẦU 3
Chương 1: TỔNG QUAN 5
1.1 Giới thiệu mô hình tìm kiếm thông tin (Information Retrieval): 5
1.2 Hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR): 9
1.2.1 Khái niệm: 9
1.2.2 Các vấn đề của CLIR: 10
1.3 Các hướng tiếp cận: 11
1.3.1 Dịch máy (Machine Translation for Text Translation): 11

3.2.4 Thiết kế lớp: 81
3.2.5 Thiết kế giao diện: 94
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
1

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
3.3 Xây dựng hệ thống: 97
3.3.1 Tổ chức các MRD: 97
3.3.2 Phương pháp tìm kiếm dựa trên MRD: 106
3.3.3 Tìm kiếm tài liệu bằng công cụ tìm kiếm: 110
CHƯƠNG 4: CÀI ĐẶT VÀ THỬ NGHIỆM 112
4.1 Cài đặt: 112
4.1.1 Tiền xử lý: 112
4.1.2 Cấu trúc dữ liệu: 112
4.1.3 Dịch từ từ điển: 113
4.1.4 Khử nhập nhằng : 113
4.1.5 Tìm kiếm: 116
4.2 Thử nghiệm: 117
4.2.1 Module dịch và khử nhập nhằng: 117
4.2.2 Chương trình demo trên web: 117
4.3 Đánh giá : 119
4.3.1 Module dịch và khử nhập nhằng: 119
4.3.2 Chương trình tìm kiểm trên Web: 120
Chương 5: KẾT LUẬN và HƯỚNG PHÁT TRIỂN 122
5.1 Kết luận: 122
5.2 Huớng phát triển: 122
5.2.1 Đối với từ điển và ngữ liệu: 122
5.2.2 Đối với IR Engine: 123
5.2.3 Mở rộng ngôn ngữ tìm kiếm cho hệ thống: 124

không phải là ngoại lệ. Khác với các ngôn ngữ khác, tiếng Việt có nhiều đặ
c điểm
riêng biệt và rất khó xử lý bằng máy tính, nên các đề tài nghiên cứu hay các chương
trình ứng dụng liên quan đến các hệ thống tìm kiếm bằng tiếng Việt còn rất ít. Mà nhu
cầu tìm kiếm tài liệu trên kho tàng kiến thức của thế giới của người Việt là rất lớn. Với
mong muốn phát triển nhiều hơn nữa các hệ thống tìm kiếm xuyên ngôn ngữ bằng
tiếng Việt, chúng tôi xây dựng “Hệ thố
ng tìm kiếm thông tin xuyên ngôn ngữ Việt –
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
3

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Anh – Hoa” cho phép người dùng nhập câu truy vấn bằng tiếng Việt và trả về các tài
liệu có liên quan bằng tiếng Việt, tiếng Anh và tiếng Hoa. Trong luận văn này chúng
tôi lựa chọn tiếng Anh và tiếng Hoa là hai đại diện tiêu biểu cho hai loại hình ngôn
ngữ biến hình và đơn lập. Từ đó cho thấy rằng hệ thống tìm kiếm thông tin xuyên ngữ
có thể thực thi trên hai loại hình ngôn ngữ khác nhau.
Bố cục của luận văn gồm các chương sau:
•
Chương 1 – TỔNG QUAN : giới thiệu tổng quan về hệ thống tìm kiếm
(IR), hệ thống tìm kiếm thông tin xuyên ngôn ngữ (CLIR), các hướng tiếp cận
và các vấn đề cần giải quyết của hệ thống.
• Chương 2 – CƠ SỞ LÝ THUYẾT: trình bày cơ sở lý thuyết và các
phương pháp đã nghiên cứu trong luận văn.
• Chương 3 – PHÂN TÍCH VÀ THIẾT KẾ: phân tích và thiết kế hệ
thống.
• Ch
ương 4 – CÀI ĐẶT VÀ KIỂM TRA: cài đặt, kiểm thử chương trình.
• Chương 5 – KẾT LUẬN và HƯỚNG PHÁT TRIỂN: trình bày các kết

của các tài liệu đã được xử lý trước đó.
• Những tài liệu nào có mức độ liên quan cao nhất sẽ được trả về cho
người dùng.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
5

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Mục đích của IR là hiển thị cho người dùng một tập các thông tin thỏa mãn nhu cầu
của họ. Chúng ta định nghĩa chính xác cho thông tin cần thiết là “câu truy vấn”(query),
và các thông tin được chọn là “tài liệu” (documents). Mỗi cách tiếp cận trong IR bao
gồm 2 thành phần chính: một là các kỹ thuật để biểu diễn thông tin (câu truy vấn, tài
liệu), và hai là phương pháp so sánh các cách biểu diễn này. Mục đích là để tự động
qui trình kiểm tra các tài liệu bằng cách tính toán độ tương quan giữa các câu truy vấn
và tài liệu. Qui trình tự động này thành công khi nó trả về các kết quả giống với các
kết quả được con người tạo ra khi so sánh câu truy vấn với các tài liệu.
Có một vấn đề thường xảy ra đối với hệ thống tìm kiếm là những từ mà người dùng
đưa ra trong câu truy vấn thường khác xa những từ trong tập tài liệu chứa thông tin mà
họ tìm kiếm. Trường hợp như thế gọi là “paraphrase problem” (vấn đề về di
ễn giải).
Để giải quyết vấn đề này hệ thống đã tạo ra các hàm biểu diễn xử lý các câu truy vấn
và các tài liệu một cách khác nhau để đạt đến một độ tương thích nào đó.
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Hình 1.1: Mô hình hệ thống tìm kiếm thông tin
Gọi miền xác định của hàm biểu diễn câu truy vấn q là Q, tập hợp các câu truy vấn có
thể có; và miền giá trị của nó là R, không gian thống nhất biểu diễn thông tin. Gọi
miền xác định của hàm biểu diễn tài liệu d là D, tập hợp các tài liệu; và miền giá trị
của nó là R
2
. Miền xác định của hàm so sánh c là R x R và miền giá trị của nó là
[0,1], tập các số thực từ 0 đến 1. Trong một hệ thống tìm kiếm lí tưởng:
c(q(query), d(doc)) = j(query, doc) , ∀query∈ Q, ∀doc ∈ D,
khi j: Q x D > [0,1] biểu diễn việc xử lý của người dùng giữa các mối quan hệ của 2
thông tin, được tính dựa trên một tiêu chuẩn nào đó (ví dụ: sự
giống nhau về nội dung
hay sự giống nhau về kiểu …). Hình 1.1 minh họa mối quan hệ này.
Có hai kiểu hệ thống tìm kiếm: tìm kiếm dựa trên so khớp chính xác và dựa trên sắp
xếp. Mô hình trên đây có thể mô tả cả 2 cách tiếp cận. Trong hệ thống tìm kiếm dựa
trên so khớp chính xác, miền giá trị của c được giới hạn từ 0 đến 1, và nó được chuyển
sang nhị phân để quyết định liệu 1 tài liệ
u có thỏa biểu thức bool được xác định bởi
câu truy vấn hay không? Các IR dựa trên so khớp chính xác thường cung cấp các tài
liệu không sắp xếp thỏa câu truy vấn của người dùng, hầu hết các hệ thống tìm kiếm
hiện nay đều dùng cách này. Cách hoạt động chi tiết của hệ thống sẽ được mô tả ở
phần sau.
Đối với hệ thống IR dựa trên sắp xếp, thì các tài liệu sẽ được sắp xếp theo th
ứ tự giảm
dần về mức độ liên quan. Có 3 loại hệ thống tìm kiếm dựa trên sắp xếp: “ranked
Boolean”, “probabilistic” và “similarity based”. Trong 3 cách trên miền giá trị của c là
[0,1], tuy nhiên chúng khác nhau ở cách tính “giá trị trạng thái tìm kiếm” (“retrieval
status value”):
• Trong hệ thống dựa trên “ranked Boolean” giá trị này là mức độ mà

Not Relevant Missed

alarmFalseFound
Found
ecision
+
=Pr

MissedFound
Found
call
+
=Re

GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
8

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Bảng 1.1: Tính độ hiệu quả của hệ thống tìm kiếm thông tin
Việc đánh giá tính hiệu quả của hệ thống tìm kiếm dựa trên sắp xếp thì phức tạp hơn.
Một cách tính độ hiệu quả phổ biến cho các hệ thống này là “độ chính xác trung bình”.
Nó được tính bằng cách chọn một tập lớn hơn các tài liệu ở đầu danh sách có giá trị
bao phủ giữa 0 và 1. Phương pháp thường được sử d
ụng là phương pháp tính dựa trên
5, 7, 11 điểm theo độ bao phủ. Độ chính xác sau đó sẽ được tính cho từng tập một. Qui
trình sẽ được lặp lại cho từng câu truy vấn, và tương ứng mỗi độ chính xác trung bình

1.2.2 Các vấn đề của CLIR:
Vì câu truy vấn do người dùng nhập vào và các tài liệu được tìm kiếm ở hai ngôn ngữ
khác nhau nên CLIR cần phải có qui trình chuyển ngữ cùng với qui trình tìm kiếm
theo cách tìm kiếm truyền thống của các hệ đơn ngữ. Các hệ tìm kiếm đơn ngữ hiện
nay thực hiện rất tốt qui trình tìm kiếm đơn ngữ. Và vấn đề chính chúng ta cần quan
tâm ở đây làm thế nào để qui trình chuyển ngữ có thể được thực hiện tốt nhất.
Chính qui trình chuyển ngữ này đã làm phát sinh rất nhiều vấn đề trong CLIR. Vấn đề
đầu tiên là làm sao biết được một từ trong ngôn ngữ này được viết như thế nào trong
ngôn ngữ khác? Vấn đề thứ hai là làm sao quyết định được cách dịch nào sẽ được giữ
lại? Vấn đề thứ ba là làm sao xác định được tầm quan trọng khác nhau giữa các bản
dịch khi có nhiều bản dịch được giữ lại.
Hai vấn
đề đầu tiên, làm sao để dịch và làm sao để loại bỏ bớt bản dịch, là hai vấn đề
của các hệ thống dịch máy . Hệ thống CLIR có thể loại bỏ một vài cách dịch và giữ lại
một số khác bằng cách khử nhập nhằng. Tuy nhiên, việc giữ lại một số cách dịch nhập
nhằng giúp cho hệ thống tìm kiếm gia tăng độ bao phủ của nó.
Vấn đề thứ
ba của CLIR có liên quan đến cách xử lý các bản dịch tương đương, là điều
giúp chúng ta phân biệt CLIR với dịch máy và tìm kiếm thông tin đơn ngữ. Giả sử
rằng câu truy vấn ban đầu có hai từ phân biệt. Nếu từ đầu tiên có thể được dịch sang
nhiều cách khác nhau, và nếu từ thứ hai chỉ có thể được dịch sang một cách duy nhất,
thì hệ thống tìm kiếm sẽ không tăng trọng số cho từ đầu tiên, bởi vì nó có nhi
ều lựa
chọn khi dịch. Điều này minh họa cho vấn đề tính trọng số của các cách dịch, đặc biệt
là đối với hệ thống CLIR. Một tài liệu chứa một cách dịch của mỗi từ trong câu truy
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
10

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa

mã hóa vào hệ thống dịch một cách đầy đủ. Vì việc mã hóa đầy đủ thông tin có thể sẽ
mất chi phí khá cao nên tính hiệ
u quả của hệ thống tìm kiếm xuyên ngữ dựa trên dịch
máy sẽ bị giới hạn, đặc biệt là khi dịch các câu truy vấn ngắn. Khuyết điểm này có thể
được giảm bớt nếu chúng ta dịch các tài liệu thay vì dịch câu truy vấn. Bởi vì các tài
liệu thường dài hơn các câu truy vấn, nên một hệ thống dịch máy được nhúng vào hàm
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
12

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
biểu diễn tài liệu d có thể có nhiều thông tin về ngữ cảnh để chọn lựa ngữ nghĩa hơn là
một hệ thống được nhúng vào hàm biểu diễn câu truy vấn q.
Tuy nhiên, độ hiệu quả sẵn có của dịch máy đã trở thành vấn đề tranh luận khi một hệ
thống dịch được nhúng vào d, bởi vì thông thường d cần phải được cung cấp cho một
s
ố lượng rất lớn các tài liệu. Hơn nữa, một vài công việc do hệ thống dịch máy thực
hiện không mang lại sự cải tiến nào cho tính hiệu quả của việc tìm kiếm văn bản.
Chẳng hạn như, việc dịch văn bản đòi hỏi phải lựa chọn thứ tự của các từ và thêm vào
các từ có quan hệ gần
1
trong ngôn ngữ đích. Nhưng cả hai đặc tính này thường bị bỏ đi
bởi q và d.
Thật vậy, một vài công việc do hệ thống dịch máy làm thật sự làm giảm tính hiệu quả
của việc tìm kiếm văn bản. Vì trong các ngôn ngữ khác nhau nghĩa của từ sẽ không
được nhóm theo cùng một cách, nên các hệ thống dịch máy luôn cố gắng đạt được
nghĩa dịch tốt nhất cho từ khi t
ừ có nhiều nghĩa. Theo phân tích này thì một nghĩa đơn
sẽ được chọn cho mỗi từ đa nghĩa. Tuy nhiên, trong một hệ thống tìm kiếm, q và d có
thể được thiết kế để ngăn chặn những thông tin không chắc chắn và c có thể được thiết

vựng trong ngôn ngữ học máy tính, được mã hóa thông tin cú pháp và ngữ nghĩa, cũng
nằm trong định nghĩa này. Các từ điển đồng nghĩa phức tạp, được sử dụng như là một
danh mục cơ
sở trong hệ thống tìm kiếm tự động, cũng nằm trong phạm vi của định
nghĩa từ điển đồng nghĩa trên. Thậm chí một danh sách song ngữ đơn giản gồm các
thuật ngữ kĩ thuật mà trong đó mỗi thuật ngữ được gán một cách dịch duy nhất cũng là
một từ điển đồng nghĩa theo định nghĩa trên. Chúng ta nhận ra rằng đây là một đị
nh
nghĩa mở rộng không bình thường cho từ “từ điển đồng nghĩa”. Nhưng vì không có
một thuật ngữ chuẩn ngắn gọn nào có thể đáp ứng khái niệm chúng ta mô tả nên chúng
ta chọn cụm từ có quan hệ gấn nhất với hệ thống tìm kiếm xuyên ngữ hiện tại. Bảng
1.2 cho thấy một vài kiểu từ điển đồng nghĩa phổ biến được sử d
ụng trong các hệ
thống tìm kiếm xuyên ngữ. Các thông tin chi tiết hơn về từ điển xuyên ngữ sẽ được
trình bày ở phần sau.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
14

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa

Kiểu từ điển Đặc trưng
Từ điển đồng nghĩa theo
đề tài
Có mối quan hệ kế thừa và kết hợp.
Một cụm duy nhất được gán cho 1 nút.
Danh sách khái niệm Không gian của các cụm từ được chia
thành các lớp khái niệm.
Danh sách các cụm từ Danh sách các từ đồng nghĩa xuyên ngôn
ngữ.

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
quan hệ kế thừa về khái niệm (cụm từ rộng hơn, hay hẹp hơn) và mối quan hệ kết hợp
(cụm từ có liên quan hoặc đồng nghĩa) thường được thêm vào một từ điển phức tạp.
Từ điển có thể được dùng tự động hoặc thủ công. Trong một hệ thống gọi là “vốn từ
được quản lý” (“controlled vocabulary”), mỗi khái niệm được gán nhãn bằng m
ột cụm
từ có tính mô tả để người dùng có thể chỉ rõ những khái niệm thích hợp nhất cho câu
truy vấn của họ. Khi các mối quan hệ về khái niệm được mã hóa trong một từ điển
được sử dụng một cách tự động, thì kĩ thuật đó được gọi là “tìm kiếm theo khái niệm”
(concept retrieval). Trong một hệ thống tìm kiếm theo khái niệm đơn giản, một danh
sách các khái niệm được sử dụ
ng để thay thế mỗi cụm từ bằng lớp khái niệm của nó để
tăng độ bao phủ (dựa trên độ quyết định). Có một hướng tiếp cận phức tạp hơn, gọi là
“mở rộng câu truy vấn” (query expansion) đã sử dụng mối quan hệ giữa các khái niệm
được mã hóa để lựa chọn cụm từ có thể đáp ứng cả độ chính xác và độ bao phủ.
Cả
việc thay thế khái niệm lẫn việc mở rộng câu truy vấn đều thể hiện nỗ lực làm tăng
độ bao phủ bằng cách làm giảm ảnh hưởng của vấn đề diễn giải. Độ chính xác có thể
được tăng bằng cách thêm vào các thông tin về cú pháp và ngữ nghĩa trong từ điển để
làm giảm nhẹ ảnh hưởng của từ đa nghĩa
3
.Ví dụ, trong một hệ thống thông tin có vốn
từ được quản lý thường được cung cấp một từ điển để người dùng có thể chọn ra cụm
từ chính xác một cách thủ công. Một hệ thống tìm kiếm khái niệm có thể sử dụng ý
tưởng này bằng cách đánh thẻ các từ dựa trên từ loại của chúng và sau đó chọn cách
dịch nào có cùng từ loại.
1.3.2.1 Hệ thống vốn từ được quản lí:
Trước năm 1973 người ta cho rằng cả hệ thống vốn từ được quản lý và hệ thống tìm
kiếm khái niệm bằng từ điển đa ngữ đều có thể thực thi xuyên ngữ giống như là việc
thực thi bên trong một ngôn ngữ với cùng kỹ thuật. Trước năm 1977 đã có 4 hệ thống

niệm được đị
nh nghĩa trong một pham vi nào đó thì việc mở rộng chuẩn từ điển đa
ngữ ISO 5964 cho các ngôn ngữ khác là hoàn toàn thiết thực.
Khi các từ điển đa ngữ gia tăng một cách nhanh chóng, thì các công cụ thiết kế và duy
trì cũng trở nên quan trọng hơn. Trong những năm 1970, có rất nhiều các thủ tục cũng
như các thuật toán đã được nghiên cứu để dùng cho việc trộn các từ điển đơn ng
ữ
thành một từ điển đa ngữ.
Ngày nay các hệ thống tìm kiếm văn bản xuyên ngữ đã được sử dụng một cách rộng
rãi, nhưng hầu hết các hệ thống thương mại đều sử dụng hướng tiếp cận tìm kiếm dựa
trên so khớp chính xác. Các từ điển đa ngữ phức tạp đã và đang được phát triển trong

4
9 ngôn ngữ là: Đan Mạch, Hà Lan, Anh, Pháp, Đức, Hy Lạp, Ý, Bồ Đào Nha và Tây Ban Nha.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
17

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
nhiều ngôn ngữ và lĩnh vực, và các thủ tục dùng để thêm lĩnh vực và ngôn ngữ cũng
được hiểu rõ. Có 3 nhân tố quan trọng khi xây dựng từ điển là : chi phí, những tiện lợi
cho người dùng chưa được huấn luyện, và độ hiệu quả.
Việc xây dựng từ điển là một việc tốn nhiều chi phí. Nhưng việc sử dụng từ điển có
thể tốn nhiề
u chi phí hơn bởi vì trong một hệ thống có vốn từ được quản lí thì mỗi tài
liệu phải được gán các cụm từ phản ánh các khái niệm chứa trong nó. Mặc dù các công
cụ tự động có thể hỗ trợ giúp tăng năng suất của con người nhưng vì các hoạt động
mang tính trí tuệ của con người đòi hỏi việc tái tổ chức và tổ chức thông tin nên chi
phí sẽ vẫn rất cao.
Một giớ

từ bằng cách gia tăng các cụm từ có liên quan trong câu truy vấn.
Gần đây, trong [
1] L.Ballesteros đã dùng phương pháp “phản hồi cục bộ ” (local
feedback) để mở rộng câu truy vấn. Phương pháp này là sự kết hợp giữa hai phương
pháp: sửa đổi câu truy vấn trước khi dịch (pre-translation query modification) và sửa
đổi câu truy vấn sau khi dịch (post-translation query modification). Trong nghiên cứu
của mình, ông giới hạn trong hai ngôn ngữ là tiếng Anh và tiếng Tây Ban Nha. Các
câu truy vấn tiếng Anh được lấy từ hệ thống TREC với chiều dài trung bình là 10.6 từ.
Các câu truy vấn tiếng Tây Ban Nha cũng được rút trích từ h
ệ thống này với chiều dài
trung bình là 4.3 từ. Việc đánh giá tính hiệu quả dựa trên các tài liệu tiếng Anh nằm
trong tập Tipster (vol. 2) có độ lớn 2GB và tập 208M các bài báo tiếng Tây Ban Nha
của báo “El Norte”. Ngữ liệu huấn luyện dùng cho việc phản hồi trước khi dịch là tập
các bài báo này và tập 301 MB cơ sở dữ liệu tin tức của San Jose Mercury từ tập hợp
Tipster. Toàn bộ câu truy vấn sẽ được thực hiện trên hệ thống INQUIRY. Qua thực
nghiệm L.Ballesteros nhận thấy rằng việc sửa đổi câu truy vấn trước khi dịch tạo ra
một cơ sở quan trọng cho việc dịch và nâng cao độ chính xác; việc sửa đổi câu truy
vấn sau khi dịch dựa trên từ điển máy đọc sẽ nâng cao độ bao phủ của tìm kiếm. Và kỹ
thuật này sẽ hiệu quả hơn đối với các câu truy vấn dài vì các câu truy vấn dài sẽ có
nhiều ngữ cảnh hơn giúp giảm tính nhập nhằng. Kết hợp hai qui trình này giúp tăng độ
chính xác trung bình lên 50%. Điều này cho thấy việc mở rộng câu truy vấn sẽ giúp
gia tăng đáng kể độ hiệu quả của hệ tìm kiếm xuyên ngữ.
1.3.2.3 Mã hóa thông tin ngữ nghĩa:

5
Đặc trưng duy nhất của mở rộng câu truy vấn trong truy xuất xuyên ngữ là các cụm từ ban đầu sẽ bị loại ra khỏi
câu truy vấn mở rộng nếu nó không mang cùng một nghĩa trong cả 2 ngôn ngữ
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
19

0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
10 20 30 40 50 60 70 80 90
Độ bao phủ
Độ chính xác
EMIR
SYSTRAN
SPIRIT Anglais

Hình 1.3 So sánh tìm kiếm đơn ngữ của SPIRIT, tìm kiếm song ngữ của EMIR và dịch
câu truy vấn của SYSTRAN
1.3.2.4 Đánh giá ưu khuyết điểm:
 Ưu điểm :
Tài nguyên từ điển thì phổ biến và sẵn có hơn ngữ liệu song song do đó hướng tiếp cận
dựa trên từ điển có thể được xem là lựa chọn tốt hơn các hướng tiếp cận còn lại. Mặc
dù chiều sâu của từ điển là hạn chế nhưng phạm vi của nó thì đủ rộng để chúng ta có
thể dịch các câu truy vấn thuộ
c nhiều đề tài khác nhau. Mặt khác, hiện nay các từ điển
điện tử là khá phong phú, chúng ta có thể tận dụng nguồn tài nguyên này để cấu trúc
hóa và rút trích các thông tin cần thiết cho từ điển máy đọc dùng trong các hệ xuyên
ngữ.
 Khuyết điểm:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229

cách sử dụng “tần số tài liệu đảo ” thường được tính như sau:
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
=
itermwithdocumentsofNumber
documentsofNumber
idf
i 2
log

GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
22

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Kết hợp hai kết quả ta gọi là “tfidf” (term frequency and inverse document frequency -
tần số của từ và tần số tài liệu đảo )
tfidf
ij
= tf
ij
* idf
i
tf

Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
ngữ khác, kỹ thuật xây dựng từ điển tự động là một nghiên cứu quan trọng kế thừa từ
ngữ cảnh của tìm kiếm đơn ngữ. Một số lượng đáng kể các nghiên cứu về đề tài này đã
xuất hiện và được công bố trong tài liệu về dịch máy. Ở đây chúng tôi trình bày hai kỹ
thuật để xây dựng từ điển đa ngữ từ khía cạnh tìm kiếm.
Kỹ thuật đầu tiên, người ta đã thực nghiệm trên 1.100 ngữ danh từ lấy từ ngữ liệu song
song của khoảng 1.000 cặp câu dài tiếng Hà Lan và tiếng Anh trong một tài liệu kỹ
thuật
6
. Các ngữ danh từ trong mỗi cặp câu được nhận diện bằng cách sử dụng một thẻ
từ loại thống kê và một bộ parser đơn giản. Các ứng viên dịch cho mỗi ngữ danh từ
tiếng Hà Lan được tạo ra bằng cách so sánh tần số của mỗi cụm tiếng Anh xuất hiện
trong một cặp câu tiếng Anh chứa ngữ danh từ, với tần số mà mỗi từ tiếng Anh xuấ
t
hiện trong toàn tập tài liệu. Một đặc tính khác được thêm vào giúp cho việc ngăn chặn
các chọn lựa ngữ danh từ xuất hiện ở những vị trí liên quan khác nhau trong các cặp
câu.
Các tham số được tìm thấy cho các kết quả trong việc nhận diện các bản dịch đơn
chính xác đến 45%, và nhiều lựa chọn khác mà các lựa chọn này tạo ra một danh sách
các ứng viên của các bản dịch trong đó chứa 66% các bản dịch đơn chính xác. Vi
ệc
dóng câu, đánh tag từ loại và phân rã lỗi chiếm 85% các lỗi, và các nghiên cứu cho
thấy rằng việc chọn lựa chặn trên cho việc biểu diễn kỹ thuật của mình sẽ nâng tỉ lệ
các bản dịch đơn chính xác lên 69% hoặc thêm khoảng 95% các bản dịch chính xác
vào một danh sách. Bởi vì ngữ liệu song song có kích thước nhỏ nên không thể quyết
định việc thực thi của kỹ thuật khi có nhiều hơn một bản dị
ch của cùng một từ xuất
hiện trong ngữ liệu
7
. Kết quả của từ vựng song ngữ không được sử dụng cho việc tìm