Luận văn Thạc sĩ Khoa học máy tính: Tìm hiểu kỹ thuật tóm tắt đa văn bản tiếng Việt sử dụng mô hình đồ thị

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:80

Thêm vào BST

Báo xấu

23
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề tài “Tìm hiểu kỹ thuật Tóm tắt đa văn bản tiếng Việt sử dụng mô hình đồ thị” tập trung vào việc tìm hiểu, khảo sát, đánh giá và đưa vào ứng dụng một phương pháp tóm tắt đa văn bản phù hợp với ngôn ngữ tiếng Việt. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Khoa học máy tính: Tìm hiểu kỹ thuật tóm tắt đa văn bản tiếng Việt sử dụng mô hình đồ thị

i ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐÀO THÀNH CHUYÊN TÌM HIỂU KỸ THUẬT TÓM TẮT ĐA VĂN BẢN TIẾNG VIỆT SỬ DỤNG MÔ HÌNH ĐỒ THỊ LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN, 2018
ii ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐÀO THÀNH CHUYÊN TÌM HIỂU KỸ THUẬT TÓM TẮT ĐA VĂN BẢN TIẾNG VIỆT SỬ DỤNG MÔ HÌNH ĐỒ THỊ Chuyên ngành khoa học máy tính Mã số: 8 4 8 0 1 0 1 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS. Nguyễn Ngọc Cương THÁI NGUYÊN, 2018
i LỜI CAM ĐOAN Em xin cam đoan tất cả các kết quả được trình bày trong luận văn: “Tìm hiểu kỹ thuật tóm tắt đa văn bản tiếng Việt sử dụng mô hình đồ thị” là công trình nghiên cứu của riêng em, không sao chép nguyên bản từ bất kỳ một công trình nào khác. Các số liệu, kết quả nghiên cứu trong luận văn được sử dụng là trung thực, đã được kiểm chứng và chưa được công bố trong bất kỳ công trình của tác giả nào khác. Nếu sai em xin hoàn toàn chịu trách nhiệm. Thái Nguyên, ngày tháng năm 2018 Học viên Đào Thành Chuyên
ii LỜI CẢM ƠN Trước hết em xin bày tỏ lòng biết ơn sâu sắc đến thầy giáo TS. Nguyễn Ngọc Cương – Phó Cục trưởng cục Công nghệ thông tin, Bộ Công an là người đã trực tiếp hướng dẫn, Nhóm của TS. Nguyễn Thị Thu Hà – Phó trưởng khoa công nghệ thông tin, Đại học Điện lực đã chỉ bảo tận tình và hết lòng giúp đỡ em trong suốt thời gian làm luận văn này. Xin trân trọng cảm ơn tới Ban giám hiệu, các thầy cô giáo trường Đại học Công nghệ thông tin và truyền thông Thái Nguyên đã chia sẻ và động viên giúp đỡ em vượt qua mọi khó khăn để hoàn thành tốt công việc nghiên cứu của mình. Xin chân thành cảm ơn gia đình, bạn bè, đồng nghiệp và những người đã luôn ủng hộ, quan tâm, giúp đỡ, động viên, tạo điều kiện tốt nhất và là chỗ dựa vững chắc giúp em có thể hoàn thành luận văn. Cuối cùng em xin gửi lời chúc sức khỏe và thành công tới tất cả quý thầy cô và gia đình cùng toàn thể các bạn. Thái Nguyên, ngày tháng năm 2018 Học viên Đào Thành Chuyên
iii MỤC LỤC LỜI CAM ĐOAN ............................................................................................. i LỜI CẢM ƠN .................................................................................................. ii DANH MỤC CÁC TỪ VIẾT TẮT ................................................................ v DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ ....................................................... vi DANH MỤC CÁC BẢNG BIỂU ................................................................. vii MỞ ĐẦU .......................................................................................................... 1 CHƯƠNG 1: TỔNG QUAN CÁC KỸ THUẬT TÓM TẮT ĐA VĂN BẢN TIẾNG VIỆT ................................................................................................... 6 1.1. Bài toán tóm tắt đa văn bản .................................................................... 6 1.1.1. Các khái niệm cơ bản .............................................................................. 6 1.1.2. Phân loại bài toán tóm tắt....................................................................... 6 1.2. Kỹ thuật tóm tắt đa văn bản tiếng Anh ................................................. 9 1.2.1. Tóm tắt đơn văn bản tiếng Anh ............................................................... 9 1.2.2. Tóm tắt đa văn bản tiếng Anh ............................................................... 10 1.3. Kỹ thuật tóm tắt đa văn bản tiếng Việt................................................ 10 1.3.1. Tóm tắt đơn văn bản tiếng Việt ............................................................. 10 1.3.2. Tóm tắt đa văn bản tiếng Việt ............................................................... 15 1.4. Kết luận chương I................................................................................... 16 CHƯƠNG 2: PHƯƠNG PHÁP TÓM TẮT VĂN BẢN DỰA TRÊN MÔ HÌNH ĐỒ THỊ ............................................................................................... 17 2.1. Hướng tiếp cận của bài toán tóm tắt đa văn bản ................................ 17 2.2. Các thách thức của quá trình tóm tắt đa văn bản .............................. 18 2.3. Phân cụm các văn bản ........................................................................... 22 2.4. Xây dựng mô hình chủ đề...................................................................... 27 2.5. Tóm tắt văn bản tiếng Việt dựa trên mô hình đồ thị .......................... 31
iv 2.5.1 Trọng số câu ........................................................................................... 31 2.5.2 Độ tương đồng câu ................................................................................. 32 2.6. Xây dựng đồ thị tóm tắt văn bản .......................................................... 34 2.7. Phân tích thuật toán. .............................................................................. 38 2.8. Kết luận chương 2 .................................................................................. 43 CHƯƠNG III: XÂY DỰNG CHƯƠNG TRÌNH VÀ THỰC NGHIỆM . 44 3.1. Xây dựng chương trình ......................................................................... 44 3.1.1. Xây dựng chương trình tóm tắt văn bản tiếng Việt sử dụng mô hình đồ thị ..................................................................................................................... 44 3.1.2. Xây dựng chương trình bằng ngôn ngữ C# .......................................... 47 3.2. Thực nghiệm và đánh giá kết quả ........................................................ 53 3.2.1. Kịch bản và dữ liệu thực nghiệm .......................................................... 53 3.2.2. Kết quả thử nghiệm ............................................................................... 56 3.3. Kết luận chương 3 .................................................................................. 58 KẾT LUẬN .................................................................................................... 59 1. Kết luận ...................................................................................................... 59 2. Khuyến nghị ............................................................................................... 60 TÀI LIỆU THAM KHẢO ............................................................................ 61 PHỤ LỤC ....................................................................................................... 64
v DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Từ gốc Nghĩa tiếng việt MMR Maximal Maginal Relevance Tối đa Q&A Question and Answering Hệ thống hỏi đáp tự động Document Understanding Hội nghi chuyên về hiểu DUC Conferences văn bản Tần suất từ/cụm từ trong TF Term Frequency văn bản Crossdocument Structure Taxonomy mối quan hệ CST Theory xuyên văn bản PMI Pointwise Mutual Information Độ đo tương hỗ giữa các từ LSI Latent Semantic Indexing Chỉ số ngữ nghĩa ẩn
vi DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1. Các cách tiếp cận trong tóm tắt văn bản ........................................ 11 Hình 1.2. Mô hình đồ thị vô hướng. ................................................................ 13 Hình 2.1. Tập văn bản chưa xử lý bị nhiễu ..................................................... 23 Hình 2.2. Các tập chủ đề được đặt tên và tính được xác suất ........................ 24 Hình 2.3. Văn bản sau khi sử dụng công cụ tách từ ....................................... 25 Hình 2.4. Quy trình xử lý phân cụm văn bản .................................................. 26 Hình 2.5. Mô hình chủ đề dựa trên xác xuất................................................... 29 Hình 2.6. Quy trình tóm tắt văn bản tiếng Việt ............................................... 34 Hình 2.7. Mô hình đồ thị trong tóm tắt văn bản tiếng Việt............................. 37 Hình 3.1. Cơ sở dữ liệu hệ thống .................................................................... 45 Hình 3.2. Chương trình tách từ Vntagger ....................................................... 46 Hình 3.3. Bảng gồm các thuật ngữ được tách ra từ tập dữ liệu văn bản ....... 47 Hình 3.4. Công cụ tách từ Vntagger ............................................................... 48 Hình 3.5. Các file định dạng xml được tạo ra khi thực hiện tách từ .............. 48 Hình 3.6. Kết quả của một file định dạng xml cụ thể...................................... 49 Hình 3.7. Giao diện chính của hệ thống tóm tắt văn bản tiếng Việt............... 49 Hình 3.8. Giao diện tạo tập từ chủ đề (Tập từ lõi) ......................................... 50 Hình 3.9. Giao diện module từ điển ................................................................ 50 Hình 3.10. Giao diện module huấn luyện ....................................................... 51 Hình 3.11. Giao diện module tóm tắt văn bản ................................................ 52 Hình 3.12. Giao diện thông tin của câu .......................................................... 52 Hình 3.13. Giao diện thông tin độ tương đồng của câu ................................. 53 Hình 3.14. Những văn bản không cho ra kết quả tóm tắt ............................... 54 Hình 3.15. Độ tương đồng không thể hiện khi không có kết quả tóm tắt ....... 55 Hình 3.16. Thông tin câu thể hiện rõ các thông số khi có kết quả tóm tắt ..... 55
vii Hình 3.17. Giao diện phần tách từ và gán nhãn ............................................. 56 Hình 3.18. Tập văn bản huấn luyện ................................................................ 57 Hình 3.19. Thông tin của câu .......................................................................... 57 Hình 3.20. Kết quả độ tương đồng của câu .................................................... 58 DANH MỤC CÁC BẢNG BIỂU Bảng 2.1. Bảng so sánh các phương pháp tiếp cận tóm tắt đa văn bản. ........ 18 Bảng 2.2. Taxonomy mối quan hệ xuyên văn bản........................................... 21 Bảng 2.3. Các từ chủ đề trong tập mô tả của Andrews năm 2009 ................. 27 Bảng 2.4. Mô hình chủ đề của nhóm tác giả Nguyễn Thị Thu Hà .................. 31 Bảng 2.5. Mô hình chủ đề học viên xây dựng ................................................. 31 Bảng 2.6. Đánh giá hiệu quả của thuật toán. ................................................. 39
1 MỞ ĐẦU Sự phát triển nhanh chóng của mạng Internet cùng với những bước tiến mạnh mẽ của công nghệ lưu trữ, lượng thông tin lưu trữ hiện nay đang trở nên vô cùng lớn. Thông tin được sinh ra liên tục mỗi ngày trên mạng Internet, lượng thông tin văn bản khổng lồ trong đó đã và đang mang lại lợi ích không nhỏ cho con người, tuy nhiên, nó cũng khiến chúng ta khó khăn trong việc tìm kiếm và tổng hợp thông tin. Giải pháp cho vấn đề này là tóm tắt văn bản tự động. Tóm tắt văn bản tự động được xác định là một bài toán thuộc lĩnh vực khái phá dữ liệu văn bản; việc áp dụng tóm tắt văn bản sẽ giúp người dùng tiết kiệm thời gian đọc, cải thiện tìm kiếm cũng như tăng hiệu quả đánh chỉ mục cho máy tìm kiếm. Từ nhu cầu thực tế như thế, bài toán tóm tắt văn bản tự động nhận được sự quan tâm nghiên cứu của nhiều nhà khoa học, nhóm nghiên cứu cũng như các công ty lớn trên thế giới. Các bài báo liên quan đến tóm tắt văn bản xuất hiện nhiều trong các hội nghị nổi tiếng như : DUC1 2001-2007, TAC2 2008, ACL3 2001- 2007… bên cạnh đó cũng là sự phát triển của các hệ thống tóm tắt văn bản như: MEAD, LexRank, Microsoft Word (Chức năng AutoSummarize)… Một trong những vấn đề thách thức và được sự quan tâm trong những năm gần đây đối với bài toán tóm tắt văn bản tự động đó là đưa ra kết quả tóm tắt cho một tập văn bản liên quan với nhau về mặt nội dung hay còn gọi là tóm tắt đa văn bản. Tóm tắt văn bản là một trong những hướng nghiên cứu được các nhà nghiên cứu quan tâm trong thời gian gần đây, bởi vì nó làm rút gọn đi những nội dung thông tin dư thừa trong văn bản (chỉ để lại văn bản tóm tắt ở trạng thái cô đọng nhất) điều này rất có ý nghĩa trong kỷ nguyên công nghệ thông tin hiện nay.
2 Hiện nay, có hai cách tiếp cận để tóm tắt văn bản (để xây dựng các hệ thống tóm tắt văn bản tự động thỏa mãn yêu cầu của người dùng ) là: cách tiếp cận dựa trên trích xuất (extraction) và tóm lược (abstractions). Trong đó, cách tiếp cận dựa trên trích xuất là phổ biến hơn cả, bởi độ phức tạp không quá lớn và vẫn đảm bảo được yêu cầu của một văn bản tóm tắt cần đạt được. Mặt khác, đối với ngôn ngữ tiếng Việt, một số công cụ hỗ trợ trong việc xây dựng cách biểu diễn ngôn ngữ chưa được xây dựng hoàn chỉnh, rất khó khăn trong việc xây dựng cách biểu diễn tương đương hoặc đồng nghĩa. Đối với tóm tắt văn bản tiếng Việt, một số tác giả, đã đề xuất một phương pháp tương tự trong đó có sử dụng 3 thuật toán thống kê dựa trên từ vựng để tính toán độ tương tự giữa các câu là Jaro, Contrast Model và Jaccard. Để tính độ quan trọng câu được tính theo thuật toán PageRank[3]. Trong các phương pháp sử dụng mô hình đồ thị để tạo ra các bản tóm tắt tự động thường chỉ đề cập đến độ tương đồng ngữ nghĩa của câu, nhưng đối với xử lý ngôn ngữ tự nhiên có rất nhiều các đặc trưng vì vậy việc lựa chọn các đặc trưng để tính toán có ảnh hưởng rất lớn đến chất lượng của tóm tắt. Sử dụng mô hình đồ thị có trọng số nhưng thêm vào đó là trọng số của câu tại mỗi nút. Ngoài ra còn giảm chiều đặc trưng bằng mô hình chủ đề theo phương pháp tiếp cận dựa trên mô hình xác suất có điều kiện. Đối với tiếng Việt, hiện nay cũng có nhiều phương pháp được đề xuất[1][3], tuy nhiên các đề xuất này thường sử dụng lại các phương pháp đã áp dụng cho tiếng Anh. Một số các khác biệt về ngôn ngữ đều được xử lý thông qua các công cụ xử lý tách từ, nhận dạng từ,… . qua nghiên cứu đặc điểm của ngôn ngữ tiếng Việt và nhận thấy rằng, tiếng Việt là ngôn ngữ đơn âm tiết, khó khăn khi tách từ, bởi các từ trong tiếng Việt không dựa trên khoảng trắng. Ví dụ các từ: chuẩn_bị, xử_lý,… là những từ ghép, cần phải nhận dạng và dùng
3 các công cụ tách từ phù hợp khi xử lý. Chính vì điều này, xử lý ngôn ngữ tự nhiên tiếng Việt là một thách thức cần được giải quyết. Trong đề tài luận văn, học viên sẽ sử dụng một phương pháp cải tiến bài toán tóm tắt văn bản tiếng Việt so với phương pháp thông thường bằng cách sử dụng tập từ chủ đề tiếng Việt do các tác giả Nguyễn Thị Ngọc Tú, Nguyễn Thị Thu Hà, Lê Thanh Hương, Hồ Ngọc Vinh, Đào Thanh Tĩnh, Nguyễn Ngọc Cương [4] xây dựng. Tại pha tóm tắt, không cần sử dụng công cụ tách và gán nhãn từ để xử lý văn bản đầu vào, nhờ vậy pha tóm tắt sẽ giảm bớt độ phức tạp tính toán về mặt thời gian. Với việc lựa chọn đề tài “Tìm hiểu kỹ thuật Tóm tắt đa văn bản tiếng Việt sử dụng mô hình đồ thị”, học viên tập trung vào việc tìm hiểu, khảo sát, đánh giá và đưa vào ứng dụng một phương pháp tóm tắt đa văn bản phù hợp với ngôn ngữ tiếng Việt trong đơn vị mà học viên đang công tác. Ngoài phần Mở đầu giới thiệu ý nghĩa khoa học và thực tiễn của đề tài nghiên cứu, bài toán cần giải quyết. Phần Kết luận trình bày các kết quả thu được của luận văn và hướng phát triển tiếp theo, nội dung chính của luận văn gồm ba chương như mô tả dưới đây. Chương 1: Tổng quan các kỹ thuật tóm tắt đa văn bản tiếng Việt. 1. Bài toán tóm tắt đa văn bản 1.1. Các khái niệm cơ bản 1.2. Phân loại bài toán tóm tắt 2. Kỹ thuật tóm tắt đa văn bản tiếng Anh 2.1. Tóm tắt đơn văn bản tiếng Anh 2.2. Tóm tắt đa văn bản tiếng Anh 3. Kỹ thuật tóm tắt đa văn bản tiếng Việt 3.1. Tóm tắt đơn văn bản 3.2. Tóm tắt theo trích xuất
4 3.3. Tóm tắt theo tóm lược 3.4. Tóm tắt đa văn bản Chương 2. Phương pháp tóm tắt văn bản dựa trên mô hình đồ thị 1. Xây dựng mô hình chủ đề 2. Tóm tắt văn bản tiếng Việt dựa trên mô hình đồ thị 2.1. Trọng số câu 2.2. Độ tương đồng câu 2.3. Xây dựng đồ thị tóm tắt văn bản 2.4. Phân tích thuật toán Chương 3: Xây dựng chương trình và thực nghiệm 1. Xây dựng chương trình - Xây dựng chương trình về tóm tắt văn bản tiếng việt sử dụng mô hình đồ thị - Xây dựng chương trình bằng ngôn ngữ C# 2. Thực nghiệm và đánh giá kết quả - Kịch bản và dữ liệu thực nghiệm - Kết quả thử nghiệm Một số nghiên cứu có liên quan: Mô hình đồ thị phân lớp câu trong truy vấn tóm tắt đa văn bản cũng đã được Furu Wei và các cộng sự đề xuất trong báo cáo của mình năm 2008. Một đồ thị có trọng số được đề xuất để xác định những ảnh hưởng của các câu trong nội văn bản và liên văn bản, từ đó tạo ra một phân lớp các câu trong tóm tắt đa văn bản. Một sự kết hợp giữa mô hình chủ đề và học bán giám sát dựa trên đồ thị cho các truy vấn trong tóm tắt đa văn bản được nhóm tác giả Yanran Li và Sujian Li đề xuất năm 2014[16]. Một mô hình đồ thị hai lớp (lớp câu và lớp chủ đề) được đưa ra với cách tiếp cận là mô hình quan hệ giữa các chủ đề và
5 câu. Đối với các nghiên cứu về tóm tắt tự động văn bản tiếng Việt gần đây cũng đã có một số công trình công bố: Nguyễn Lê Minh tóm tắt văn bản tiếng Việt bằng vector hỗ trợ SVM (Support Vector Machine). Đỗ Phúc và các cộng sự rút trích nội dung chính của khối thông điệp bằng phương pháp gom cụm đồ thị [1]. Nguyễn Hoàng Anh Tú với phương pháp sử dụng mô hình đồ thị trong tóm tắt văn bản tiếng Việt. Ngoài ra còn có sự góp mặt của nhóm tác giả Lê Thanh Hương sử dụng cấu trúc ngôn ngữ tiếng Việt đối với hệ thống tóm tắt tự động [2]. Gần đây trong một báo cáo về “ giải pháp tóm tắt văn bản tiếng Việt tự động” nhóm tác giả Trương Quốc Định và Nguyễn Quang Dũng cũng đã đề cập đến phương pháp dựa trên mô hình đồ thị có trọng số. Mỗi đỉnh của đồ thị biểu diễn một câu, cạnh nối hai câu có gán trọng số thể hiện độ tương đồng ngữ nghĩa của chúng và cuối cùng một giải thuật PageRank dựa trên đồ thị được tùy biến để tích hợp độ tương tự câu. Sau cùng các câu quan trọng nhất sẽ được trích rút trong văn bản tóm tắt[3].
6 CHƯƠNG 1: TỔNG QUAN CÁC KỸ THUẬT TÓM TẮT ĐA VĂN BẢN TIẾNG VIỆT 1.1. Bài toán tóm tắt đa văn bản 1.1.1. Các khái niệm cơ bản Tỷ lệ nén (Compression Rate): là độ đo thể hiện bao nhiêu thông tin được cô đọng trong văn bản tóm tắt được tính bằng công thức: 𝑆𝑢𝑚𝑚𝑎𝑟𝑦𝐿𝑒𝑛𝑔𝑡ℎ 𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛𝑅𝑎𝑡𝑒 = 𝑆𝑜𝑢𝑟𝑐𝑒𝐿𝑒𝑛𝑔𝑡ℎ SummaryLength: Độ dài văn bản tóm tắt SourceLength: Độ dài văn bản nguồn - Độ nổi bật hay liên quan (Salience or Relevance): là trọng số được gán cho thông tin trong văn bản thể hiện độ quan trọng của thông tin đó đối với toàn văn bản hay để chỉ sự liên quan của thông tin đó đối với chương trình của người sử dụng. - Sự mạch lạc (Coherence): Một văn bản tóm tắt gọi là mạch lạc nếu tất cả các thành phần nằm trong nó tuân theo một thể thống nhất về mặt nội dung và không có sự trùng lặp giữa các thành phần. 1.1.2. Phân loại bài toán tóm tắt. Có nhiều cách phân loại tóm tắt văn bản khác nhau tuy nhiên sự phân loại chỉ mang tính tương đối, phụ thuộc vào việc tóm tắt trên cơ sở nào. Ở đây, luận văn đề cập đến phân loại tóm tắt dựa trên 3 cơ sở là: dựa vào định dạng, nội dung đầu vào, dựa vào định dạng, nội dung đầu ra, dựa vào mục đích tóm tắt. * Tóm tắt dựa trên cơ sở định dạng, nội dung đầu vào sẽ trả lời cho câu hỏi “Cái gì sẽ được tóm tắt”. Cách chia này sẽ cho ta nhiều cách phân loại con khác nhau. Cụ thể như:
7 - Kiểu văn bản (bài báo, bản tin, thư, báo cáo …). Với cách phân loại này, tóm tắt văn bản là bài báo sẽ khác với tóm tắt thư, tóm tắt báo cáo khoa học do những đặc trưng văn bản quy định. - Định dạng văn bản: dựa vào từng định dạng văn bản khác nhau, tóm tắt cũng chia ra thành các loại khác nhau như: tóm tắt văn bản không theo khuôn mẫu (free-form) hay tóm tắt văn bản có cấu trúc. Với văn bản có cấu trúc, tóm tắt văn bản thường sử dụng một mô hình hoặc dựa vào mẫu cấu trúc đã xây dựng từ trước để tiến hành tóm tắt. - Số lượng dữ liệu đầu vào: tùy vào số lượng đầu vào của bài toán tóm tắt, người ta cũng có thể chia tóm tắt ra thành tóm tắt đa văn bản, tóm tắt đơn văn bản. Tóm tắt đơn văn bản khi đầu vào chỉ là một văn bản đơn, trong khi đó đầu vào của tóm tắt đa văn bản là một tập các tài liệu có liên quan đến nhau như: các tin tức có liên quan đến cùng một sự kiện, các trang web cùng chủ đề hoặc là cụm dữ liệu được trả về từ quá trình phân cụm. - Miền dữ liệu: dựa vào miền của dữ liệu như cụ thể về một lĩnh vực nào đó, ví dụ như: y tế, giáo dục… hay là miền dữ liệu tổng quát, có thể chia tóm tắt ra thành từng loại tương ứng. * Tóm tắt trên cơ sở mục đích thực chất là làm rõ cách tóm tắt, mục đích tóm tắt là gì, tóm tắt phục vụ đối tượng nào ... - Nếu phụ thuộc vào đối tượng đọc tóm tắt thì tóm tắt cho chuyên gia khác cách tóm tắt cho các đối tượng đọc thông thường. - Tóm tắt sử dụng trong tìm kiếm thông tin (IR) sẽ khác với tóm tắt phục vụ cho việc sắp xếp. - Dựa trên mục đích tóm tắt, còn có thể chia ra thành tóm tắt chỉ thị (Indicative) và tóm tắt thông tin (Informative). Tóm tắt chỉ thị (indicative) chỉ ra loại của thông tin, ví dụ như là loại văn bản chỉ thị “tối mật”. Còn tóm tắt thông tin chỉ ra nội dung của thông tin.
8 - Tóm tắt trên cơ sở truy vấn (Query-based) hay tóm tắt chung (General). Tóm tắt general mục đích chính là tìm ra một đoạn tóm tắt cho toàn bộ văn bản mà nội dung của đoạn văn bản sẽ bao quát toàn bộ nội dung của văn bản đó. Tóm tắt trên cơ sở truy vấn thì nội dung của văn bản tóm tắt sẽ dựa trên truy vấn của người dùng hay chương trình đưa vào, loại tóm tắt này thường được sử dụng trong quá trình tóm tắt các kết quả trả về từ máy tìm kiếm. * Tóm tắt trên cơ sở đầu ra cũng có nhiều cách phân loại. - Dựa vào ngôn ngữ: Tóm tắt cũng có thể phân loại dựa vào khả năng tóm tắt các loại ngôn ngữ: + Tóm tắt đơn ngôn ngữ (Monolingual): hệ thống có thể tóm tắt chỉ một loại ngôn ngữ nhất định như: tiếng Việt hay tiếng Anh… + Tóm tắt đa ngôn ngữ (Multilingual): hệ thống có khả năng tóm tắt nhiều loại văn bản của các ngôn ngữ khác nhau, tuy nhiên tương ứng với văn bản đầu vào là ngôn ngữ gì thì văn bản đầu ra cũng là ngôn ngữ tương ứng. + Tóm tắt xuyên ngôn ngữ (Crosslingual): hệ thống có khả năng đưa ra các văn bản đầu ra có ngôn ngữ khác với ngôn ngữ của văn bản đầu vào. - Dựa vào định dạng đầu ra của kết quả tóm tắt: như bảng, đoạn, từ khóa. * Ngoài hai cách phân loại trên, phân loại tóm tắt trên cở sở đầu ra còn có một cách phân loại được sử dụng phổ biến là: tóm tắt theo trích xuất (Extract) và tóm tắt theo tóm lược (Abstract). + Tóm tắt theo trích xuất: là tóm tắt có kết quả đầu ra là một tóm tắt bao gồm toàn bộ các phần quan trọng được trích ra từ văn bản đầu vào. + Tóm tắt theo tóm lược: là tóm tắt có kết quả đầu ra là một tóm tắt không giữ nguyên lại các thành phần của văn bản đầu vào mà dựa vào thông tin quan trọng để viết lại một văn bản tóm tắt mới. Hiện nay, các hệ thống sử dụng tóm tắt theo trích xuất được sử dụng phổ biến và cho kết quả tốt hơn tóm tắt theo tóm lược. Nguyên nhân tạo ra sự khác
9 biệt này là do các vấn đề trong bài toán tóm tắt theo tóm lược như: biểu diễn ngữ nghĩa, suy luận và sinh ra ngôn ngữ tự nhiên được đánh giá là khó và chưa có nhiều kết quả nghiên cứu khả quan hơn so với hướng trích xuất câu của bài toán tóm tắt theo trích xuất. Trong thực tế, theo đánh giá của Dragomir R. Radev (Đại học Michigan, Mỹ) chưa có một hệ thống tóm tắt theo tóm lược đạt đến sự hoàn thiện, các hệ thống tóm tắt theo tóm lược hiện nay thường dựa vào thành phần trích xuất có sẵn. Các hệ thống này thường được biết đến với tên gọi tóm tắt theo nén văn bản. Tóm tắt theo nén văn bản (Text Compaction): là loại tóm tắt sử dụng các phương pháp cắt xén (truncates) hay viết gọn (abbreviates) đối với các thông tin quan trọng sau khi đã được trích xuất. Mặc dù dựa vào nhiều cơ sở có nhiều loại tóm tắt khác nhau tuy nhiên hai loại tóm tắt là tóm tắt đơn văn bản và tóm tắt đa văn bản vẫn được sự quan tâm lớn của các nhà nghiên cứu về tóm tắt tự động. 1.2. Kỹ thuật tóm tắt đa văn bản tiếng Anh 1.2.1. Tóm tắt đơn văn bản tiếng Anh Trong những năm qua đã có nhiều công trình nghiên cứu về tạo tóm tắt tự động các văn bản tiếng Anh. Một số công trình tiêu biểu như: William B.Cavnar (1994) đã biểu diễn văn bản dựa trên n-gram thay cho cách biểu diễn truyền thống bằng từ khóa. Chinatsu Aone (1997) đã phát triển hệ DimSum để tóm tắt văn bản sử dụng xử lý ngôn ngữ tự nhiên và kỹ thuật thống kê dựa trên hệ số TF-IDF. Tác giả cũng đã sử dụng WordNet để xem xét ngữ nghĩa của từ và đề xuất một số kỹ thuật lượng giá. Jaine Carbonell (1998) đã tóm tắt văn bản bằng cách xếp hạng các câu trội (câu chứa các ý chính của văn bản) và rút ra các câu trội. Jade Goldstein (1999) đã phân loại tóm tắt dựa trên độ đo liên quan. Phương pháp sử dụng kết hợp giữa ngữ học, thống kê. Mỗi câu được đặc trưng bằng các đặc tính ngữ học và độ đo thống kê. J Larocca Neto (2000) đã
10 tạo tóm tắt văn bản dựa trên các dãy từ trong câu được chọn theo hệ số tf (term frequency), sau đó dùng kỹ thuật gom cụm (clustering) để tạo tóm tắt. D. Radev (2000) đã tạo tóm tắt văn bản dựa trên trọng tâm sau đó rút trích câu quan trọng. Yihong Gong (2001) đã đề xuất hai phương pháp tạo tóm tắt văn bản đơn giản: tiếp cận độ đo dựa trên thống kê, tần suất và tiếp cận phân tích latent semantic.J.Kathleen R (2001) sử dụng tiếp cận kiến trúc đẳng cấp cụm và chọn câu trội trong mỗi cụm. Có hai phương pháp là rút câu dựa trên từ khóa và rút câu dựa trên kiến trúc ngữ nghĩa trong đó có xây dựng độ đo mối liên kết giữa hai từ. M. Mitra (2002) đã đề xuất phương pháp tạo tóm tắt dựa trên việc trích rút các đoạn văn quan trọng bao gồm việc tạo bản đồ quan hệ văn bản dùng các đoạn văn, phân tích bản đồ quan hệ của các văn bản để ấn định đoạn văn nào là quan trọng nhất. 1.2.2. Tóm tắt đa văn bản tiếng Anh Phương pháp tóm tắt văn bản sử dụng mô hình đồ thị vô hướng có trọng số đã được R.Mihalcea sử dụng trong tóm tắt văn bản tiếng Anh từ năm 2004. Văn bản được biểu diễn dưới dạng đồ thị, mỗi đỉnh trong đồ thị biểu diễn một câu trong văn bản, các cạnh nối giữa hai đỉnh biểu diễn độ tương đồng ngữ nghĩa giữa hai câu tương ứng với hai đỉnh đó. Để tính độ quan trọng câu được tính theo thuật toán PageRank. Trong các phương pháp sử dụng mô hình đồ thị để tạo ra các bản tóm tắt tự động thường chỉ đề cập đến độ tương đồng ngữ nghĩa của câu, nhưng đối với xử lý ngôn ngữ tự nhiên có rất nhiều các đặc trưng vì vậy việc lựa chọn các đặc trưng để tính toán có ảnh hưởng rất lớn đến chất lượng của tóm tắt. 1.3. Kỹ thuật tóm tắt đa văn bản tiếng Việt 1.3.1. Tóm tắt đơn văn bản tiếng Việt Bài toán tóm tắt văn bản đơn cũng giống như các bài toán tóm tắt khác, là một quá trình tóm tắt tự động với đầu vào là một văn bản, đầu ra là một đoạn
11 mô tả ngắn gọn nội dung chính của văn bản đầu vào đó. Văn bản đơn có thể là một trang Web, một bài báo, hoặc một tài liệu với định dạng xác định (.txt)… Tóm tắt văn bản đơn là bước đệm cho việc xử lý tóm tắt đa văn bản và các bài toán tóm tắt phức tạp hơn. Chính vì thế những phương pháp tóm tắt văn bản ra đời đầu tiên đều là các phương pháp tóm tắt cho văn bản đơn. Có khá nhiều các cách tiếp cận trong tóm tắt văn bản, một số các nghiên cứu điển hình trong tóm tắt văn bản tập trung vào nhiều khía cạnh như: mức ngôn ngữ, xác suất thống kê, mạng nơ ron... Mô hình tóm tắt đơn văn bản Bổ sung đặc trưng và cây quyết định Các phương pháp phân tích ngôn ngữ tự nhiên sâu Các phương pháp Mạng Nơ ron Navie - Bayes 3 lớp Các phương pháp Log tuyến tính Hình 1.1. Các cách tiếp cận trong tóm tắt văn bản * Bổ sung đặc trưng và cây quyết định: Đặc trưng vị trí câu được sử dụng như một đặc trưng quan trọng trong câu, và ý tưởng của văn bản được mô tả chung như là một cấu trúc diễn ngôn trên cây và theo xu hướng lựa chọn những câu có trọng số về vị trí cao.