Luận án Tiến sĩ khoa học máy tính: Khai phá tri thức song ngữ và ứng dụng trong dịch máy Anh - Việt

ĐẠI HỌC QUỐC GIA HÀ NỘI<br /> TRƯỜNG ĐẠI HỌC CÔNG NGHỆ<br /> <br /> LÊ QUANG HÙNG<br /> <br /> KHAI PHÁ TRI THỨC<br /> SONG NGỮ VÀ ỨNG DỤNG<br /> TRONG DỊCH MÁY ANH – VIỆT<br /> <br /> LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH<br /> <br /> Hà Nội – 2016<br /> <br /> ĐẠI HỌC QUỐC GIA HÀ NỘI<br /> TRƯỜNG ĐẠI HỌC CÔNG NGHỆ<br /> <br /> LÊ QUANG HÙNG<br /> <br /> KHAI PHÁ TRI THỨC<br /> SONG NGỮ VÀ ỨNG DỤNG<br /> TRONG DỊCH MÁY ANH – VIỆT<br /> Chuyên ngành: Khoa học máy tính<br /> Mã số: 62 48 01 01<br /> <br /> LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH<br /> <br /> NGƯỜI HƯỚNG DẪN KHOA HỌC:<br /> 1. PGS.TS. Lê Anh Cường<br /> 2. PGS.TS. Huỳnh Văn Nam<br /> <br /> Hà Nội – 2016<br /> <br /> Lời cam đoan<br /> Tôi xin cam đoan luận án này là kết quả nghiên cứu của tôi, được thực hiện dưới<br /> sự hướng dẫn của PGS.TS. Lê Anh Cường và PGS.TS. Huỳnh Văn Nam. Các nội<br /> dung trích dẫn từ các nghiên cứu của các tác giả khác mà tôi trình bày trong luận<br /> án này đã được ghi rõ nguồn trong phần tài liệu tham khảo.<br /> <br /> Lê Quang Hùng<br /> <br /> i<br /> <br /> Tóm tắt<br /> Nhiệm vụ của một hệ thống dịch máy là tự động dịch một văn bản từ ngôn ngữ<br /> này (ví dụ, tiếng Anh) sang một văn bản tương đương ở ngôn ngữ khác (ví dụ,<br /> tiếng Việt). Tính hữu ích của công nghệ dịch máy tăng lên cùng với chất lượng<br /> của nó. Dịch máy có nhiều ứng dụng như: (i) dịch tài liệu tiếng nước ngoài cho<br /> mục đích hiểu nội dung, (ii) dịch văn bản để xuất bản ở các ngôn ngữ khác và (iii)<br /> thông tin liên lạc, chẳng hạn như dịch email, chat, vv.<br /> Có một số cách tiếp cận cho bài toán dịch máy như dịch trực tiếp (direct<br /> translation), dịch dựa trên chuyển đổi (transfer - based translation), dịch liên ngữ<br /> (interlingua translation), dịch dựa trên ví dụ (example - based translation) và dịch<br /> thống kê (statistical translation). Hiện tại, dịch máy dựa trên cách tiếp cận thống<br /> kê đang là một hướng phát triển đầy tiềm năng bởi những ưu điểm vượt trội so<br /> với các cách tiếp cận khác. Thay vì xây dựng các từ điển, các quy luật chuyển đổi<br /> bằng tay, dịch máy thống kê tự động xây dựng các từ điển, các quy luật dựa trên<br /> kết quả thống kê có được từ ngữ liệu. Đối với một hệ thống dịch máy thống kê,<br /> hiệu quả (chất lượng dịch) của nó tỷ lệ thuận với số lượng (kích thước) và chất<br /> lượng của ngữ liệu song ngữ được sử dụng để xây dựng hệ thống dịch. Tuy nhiên,<br /> ngữ liệu song ngữ sẵn có hiện vẫn còn hạn chế cả về kích thước lẫn chất lượng,<br /> ngay cả đối với các cặp ngôn ngữ chính. Ngoài ra, đối với các cặp ngôn ngữ có<br /> nhiều khác biệt về cấu trúc ngữ pháp (ví dụ, Anh - Việt), vấn đề về chất lượng<br /> dịch đang là thách thức đối với các nhà nghiên cứu về dịch máy trong nhiều năm<br /> qua. Vì vậy, việc bổ sung thêm ngữ liệu song ngữ và phát triển các phương pháp<br /> hiệu quả hơn dựa trên ngữ liệu hiện có là những giải pháp quan trọng để tăng<br /> chất lượng dịch cho dịch máy thống kê.<br /> Luận án của chúng tôi tập trung giải quyết các tồn tại đã nêu thông qua ba<br /> bài toán: phát triển phương pháp xây dựng ngữ liệu song ngữ, cải tiến các phương<br /> pháp gióng hàng từ và xác định cụm từ song ngữ cho dịch máy thống kê, cụ thể<br /> như sau:<br /> Thứ nhất, đối với bài toán xây dựng ngữ liệu song ngữ, chúng tôi khai thác từ<br /> hai nguồn: Web và sách điện tử song ngữ. Đối với nguồn từ Web, chúng tôi tập<br /> trung vào rút trích các văn bản song ngữ từ các web-site song ngữ. Chúng tôi đề<br /> xuất hai phương pháp thiết kế các đặc trưng dựa trên nội dung: sử dụng các từ<br /> bất biến giữa hai ngôn ngữ (cognate) và sử dụng các phân đoạn dịch. Ngoài ra,<br /> <br /> chúng tôi kết hợp các đặc trưng dựa trên nội dung với các đặc trưng dựa trên cấu<br /> trúc của trang web để rút trích các văn bản song ngữ, bằng cách sử dụng phương<br /> pháp học máy. Đối với nguồn từ sách điện tử, chúng tôi đề xuất phương pháp dựa<br /> trên nội dung, sử dụng một số mẫu liên kết giữa các khối văn bản trong hai ngôn<br /> ngữ để rút trích các câu song ngữ.<br /> Thứ hai, với bài toán gióng hàng từ, chúng tôi đề xuất một số cải tiến đối với<br /> mô hình IBM 1 theo cách tiếp cận dựa trên ràng buộc, bao gồm: ràng buộc neo,<br /> ràng buộc về vị trí của từ, ràng buộc về từ loại và ràng buộc về cụm từ. Với mỗi<br /> ràng buộc, chúng tôi đưa ra phương pháp tổng quát để tích hợp nó vào thuật toán<br /> cực đại kỳ vọng trong quá trình ước lượng tham số của mô hình. Ngoài ra, chúng<br /> tôi đưa ra một phương pháp để kết hợp các ràng buộc. Những cải tiến này đã giúp<br /> nâng cao chất lượng dịch cho hệ thống dịch máy thống kê Anh - Việt.<br /> Thứ ba, đối với bài toán xác định cụm từ song ngữ cho dịch máy thống kê,<br /> chúng tôi đề xuất phương pháp rút trích cụm từ song ngữ từ ngữ liệu song ngữ,<br /> sử dụng các mẫu cú pháp kết hợp với gióng hàng cụm từ. Các cụm từ song ngữ<br /> này đã được ứng dụng vào việc nâng cao chất lượng dịch cho hệ thống dịch máy<br /> thống kê Anh - Việt.<br /> Từ khóa: dịch máy, dịch máy thống kê, tri thức song ngữ, ngữ liệu song<br /> ngữ, văn bản song ngữ, gióng hàng từ.<br /> <br /> iii<br /> <br />