Khóa luận tốt nghiệp: Mô hình hóa chủ đề suốt đời và ứng dụng vào phân lớp đa nhãn văn bản tiếng Việt

Trong bối cảnh dữ liệu ngày càng phong phú nhưng lại thường phân mảnh và không đồng nhất, học máy suốt đời (Lifelong Machine Learning - LML) nổi lên như một hướng tiếp cận đầy hứa hẹn, khắc phục những hạn chế của các mô hình học máy cô lập truyền thống. LML cho phép hệ thống tích lũy và sử dụng tri thức từ các tác vụ trong quá khứ để nâng cao hiệu suất học tập trên các tác vụ mới, đặc biệt hữu ích khi đối mặt với lượng dữ liệu hạn chế. Công trình này tập trung vào việc nghiên cứu và phát triển một phương pháp mô hình hóa chủ đề suốt đời nhằm cải thiện bài toán phân lớp đa nhãn văn bản tiếng Việt. Việc ứng dụng LML trong xử lý ngôn ngữ tự nhiên, đặc biệt cho tiếng Việt, mở ra tiềm năng lớn để xây dựng các hệ thống thông minh hơn, có khả năng thích nghi và học hỏi liên tục từ môi trường dữ liệu thay đổi.

Nghiên cứu sinh, giảng viên, và chuyên gia trong lĩnh vực Khoa học máy tính, Học máy, Xử lý ngôn ngữ tự nhiên, và Hệ thống thông tin, đặc biệt quan tâm đến học máy suốt đời và phân lớp văn bản.

Nghiên cứu này đề xuất một phương pháp mô hình hóa chủ đề suốt đời tiên tiến và ứng dụng nó vào bài toán phân lớp đa nhãn văn bản tiếng Việt, một lĩnh vực quan trọng trong xử lý ngôn ngữ tự nhiên. Phương pháp được xây dựng dựa trên việc nghiên cứu giải thuật mô hình hóa chủ đề suốt đời AMC, đặc biệt phát triển một phương pháp học thiên mức miền để mô hình hóa chủ đề suốt đời. Quá trình này bao gồm hai pha chính. Pha thứ nhất tập trung vào việc mô hình hóa chủ đề suốt đời bằng cách sử dụng các miền gần, được xác định thông qua độ đo tương tự giữa các chủ đề, cho phép hệ thống học hỏi hiệu quả hơn từ các tri thức đã có. Pha thứ hai áp dụng một giải thuật phân lớp đa nhãn bán giám sát, cụ thể là MULTICS, sử dụng mô hình chủ đề suốt đời đã sinh làm đặc trưng để nâng cao hiệu suất phân loại. Các thực nghiệm được tiến hành trên dữ liệu tiếng Việt với các kích thước tập dữ liệu khác nhau, từ nhỏ đến lớn, nhằm đánh giá toàn diện ảnh hưởng của mô hình đề xuất. Kết quả thực nghiệm đã chứng minh rằng phương pháp mô hình hóa chủ đề suốt đời được đề xuất đạt hiệu suất vượt trội so với các phương pháp truyền thống như LDA và AMC trong mọi trường hợp thử nghiệm. Điều này khẳng định giá trị ứng dụng cao của phương pháp trong việc giải quyết thách thức về dữ liệu hạn chế, đồng thời mở ra hướng phát triển mới cho phân lớp văn bản đa nhãn trong môi trường học suốt đời.