Khóa luận tốt nghiệp: Các phương pháp phân lớp đa nhãn văn bản tiếng Việt

Sự phát triển mạnh mẽ của Internet đã tạo ra khối lượng lớn dữ liệu số, đặt ra thách thức đáng kể trong việc quản lý và truy xuất thông tin hiệu quả. Phương pháp gán nhãn thủ công cho các tài liệu số, đặc biệt là văn bản, tốn nhiều thời gian và công sức. Trong bối cảnh này, phân lớp đa nhãn văn bản tự động nổi lên như một giải pháp thiết yếu, cho phép gán đồng thời nhiều nhãn ngữ nghĩa cho một tài liệu. Khóa luận này tập trung nghiên cứu và áp dụng các phương pháp phân lớp đa nhãn tiên tiến, kết hợp với kỹ thuật giảm chiều dữ liệu, nhằm nâng cao hiệu suất phân loại văn bản tiếng Việt.

Các nhà nghiên cứu và thực hành trong lĩnh vực xử lý ngôn ngữ tự nhiên, học máy, truy vấn thông tin và ngôn ngữ học tính toán, đặc biệt là những người làm việc với dữ liệu văn bản tiếng Việt.

Nghiên cứu này khám phá các phương pháp phân lớp đa nhãn cho văn bản tiếng Việt, một nhiệm vụ trọng tâm trong xử lý ngôn ngữ tự nhiên. Khóa luận giải quyết hai thách thức chính: xử lý mối liên hệ phức tạp giữa các nhãn và đối phó với dữ liệu có chiều không gian lớn. Để vượt qua những khó khăn này, tác giả đã nghiên cứu các thuật toán học đa nhãn như Binary Relevance (BR), Multi-label k-Nearest Neighbors (MLkNN), Random k-labelsets (RAKEL), và ClassifierChain (CC), tập trung vào việc tích hợp các mối quan hệ đa nhãn vào quá trình phân lớp. Đặc biệt, mô hình chủ đề ẩn Latent Dirichlet Allocation (LDA) được áp dụng để giảm số chiều đặc trưng của dữ liệu, sau đó kết hợp hiệu quả với các phương pháp học máy đa nhãn. Các thực nghiệm được tiến hành trên tập dữ liệu gồm gần 3000 bài báo tiếng Việt từ website VnExpress, đánh giá hiệu quả của việc kết hợp giảm chiều đặc trưng bằng LDA và các phương pháp phân lớp đa nhãn. Kết quả cho thấy sự cải thiện đáng kể trong khả năng phân loại và quản lý thông tin cho văn bản tiếng Việt.