Một phương pháp xây dựng ngữ liệu song ngữ Anh-Việt từ nguồn tài nguyên internet

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:7

Thêm vào BST

Báo xấu

27
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Ngữ liệu song ngữ đóng một vai trò rất quan trọng trong nhiều ứng dụng về xử lý ngôn ngữ tự nhiên, đặc biệt là trong các ứng dụng về dịch máy. Có nhiều phương pháp khác nhau để xây dựng ngữ liệu song ngữ, đa ngữ. Trong bài viết này, chúng tôi đề xuất phương pháp thu thập, xác thực và tiền xử lý một tập lớn các câu song ngữ Anh - Việt từ các nguồn tài nguyên trên internet.

Chủ đề:

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

Lưu

Nội dung Text: Một phương pháp xây dựng ngữ liệu song ngữ Anh-Việt từ nguồn tài nguyên internet

Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Huế, ngày 07-08/6/2019 DOI: 10.15625/vap.2019.00040 MỘT PHƯƠNG PHÁP XÂY DỰNG NGỮ LIỆU SONG NGỮ ANH-VIỆT TỪ NGUỒN TÀI NGUYÊN INTERNET Dƣơng Minh Hùng1, Lê Mạnh Thạnh2, Lê Trung Hiếu3 1 Trƣờng Đại học Ngoại ngữ, Đại học Huế, 57 Nguyễn Khoa Chiêm, Tp Huế 2 Khoa CNTT, Trƣờng Đại học Khoa học, Đại học Huế, 77 Nguyễn Huệ, Tp Huế 3 Trung tâm CNTT, Đại học Huế, 02 Lê Lợi, Tp Huế dmhung1980@gmail.com, lmthanh1953@yahoo.com, hieukien82@gmail.com TÓM TẮT: Ngữ liệu song ngữ đóng một vai trò rất quan trọng trong nhiều ứng dụng về xử lý ngôn ngữ tự nhiên, đặc biệt là trong các ứng dụng về dịch máy. Có nhiều phương pháp khác nhau để xây dựng ngữ liệu song ngữ, đa ngữ. Trong bài báo này, chúng tôi đề xuất phương pháp thu thập, xác thực và tiền xử lý một tập lớn các câu song ngữ Anh - Việt từ các nguồn tài nguyên trên internet. Ngoài ra, chúng tôi sử dụng các bộ lọc chiều dài câu, bộ lọc bao phủ từ và bộ phân lớp Entropy cực đại để rút trích các cặp câu thực sự song song. Từ khóa: Ngữ liệu song ngữ, Entropy cực đại. I. GIỚI THIỆU Ngữ liệu đa ngữ nói chung và song ngữ nói riêng đóng một vai trò rất quan trọng đối với lĩnh vực xử lý ngôn ngữ tự nhiên đặc biệt là trong lĩnh vực dịch máy (Machine Translation - MT) nói chung và dịch máy thống kê, dịch máy mạng neural nói riêng. Độ chính xác của hệ thống dịch máy phụ thuộc rất lớn vào chất lƣợng của ngữ liệu song ngữ. Vì vậy, có rất công trình khoa học nghiên cứu các phƣơng pháp nhằm tạo ra các kho ngữ liệu song ngữ có chất lƣợng tốt làm tài nguyên để phát triển các hệ thống dịch tự động. Trên thế giới, ngƣời ta đã xây dựng đƣợc khá nhiều các kho ngữ liệu song ngữ lớn, chẳng hạn kho ngữ liệu song ngữ HKUST và PKU863 của cặp Anh - Hoa, kho ngữ liệu Europarl đƣợc trích từ văn bản Nghị Viện Châu Âu và văn bản chính phủ của một số nƣớc, kho ngữ liệu song ngữ JENAAD cho cặp ngôn ngữ Anh - Nhật,… Đối với tiếng Việt, số lƣợng các bộ ngữ liệu chƣa đƣợc quan tâm nghiên cứu nhiều. Hiện chỉ có nhóm nghiên cứu Đinh Điền [5] và nhóm VLSP (Vietnamese Language and Speech Processing)1 công bố một số công trình liên quan. Việc xây dựng các bộ dữ liệu song ngữ lớn và có chất lƣợng tốt là rất bức thiết. Tuy nhiên, xây dựng bằng phƣơng pháp thủ công sẽ rất tốn thời gian và công sức, có thể nói là không khả thi. Trong khi đó, trên Internet có rất nhiều nguồn tài liệu song ngữ có sẵn, nhƣ là các trang báo trực tuyến song ngữ, các trang thông tin điện tử, các bộ phim đã dịch phụ đề… Đây chính là những nguồn tài nguyên chứa dữ liệu về ngôn ngữ phong phú có thể khai thác để tạo ra các khối ngữ liệu song ngữ lớn và có chất lƣợng tốt. Trong bài báo này, chúng tôi chỉ tập trung trình bày phƣơng pháp rút trích câu song song từ ngữ liệu song song (parallel corpus) và ngữ liệu chƣa thực sự song song (comparable corpus) đã đƣợc gióng hàng ở mức độ câu. Các vấn đề về gióng hàng văn bản, gióng hàng câu và các vấn đề liên quan khác chúng tôi không tập trung trình bày. II. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN Đối với bài toán rút trích câu song song từ nguồn ngữ liệu song song, một số công trình có cách tiếp cận dựa vào đặc trƣng độ dài câu (Gale và Church [7], Brown và các đồng sự [2]) Lợi điểm của cách tiếp cận này là đơn giản, tốc độ thực thi nhanh và có thể áp dụng cho văn bản ngắn với độ chính xác cao. Tuy nhiên, cách tiếp cận dựa vào độ dài câu này chỉ tỏ ra hữu hiệu đối với các cặp ngôn ngữ cùng họ nhƣ Anh - Pháp, nhƣng lại kém chính xác đối với những cặp ngôn ngữ khác họ. Haruno và Yamazaki [8] đề xuất một phƣơng pháp rút trích các cặp câu song song cho cặp ngôn ngữ Anh - Nhật bằng cách kết hợp giữa cách tiếp cận dựa trên chiều dài với cách tiếp cận dựa trên từ vựng. Phƣơng pháp kết hợp này cho kết quả tốt hơn so với phƣơng pháp tiếp cận đơn lẻ. Tác giả Wu [11] cũng sử dụng phƣơng pháp kết hợp tƣơng tự để rút trích câu song song Anh - Hoa với độ chính xác trên 90%. Đối với các nguồn ngữ liệu chƣa thực sự song song, Fung và Cheung [6] hay Tillmann và Xu [10] sử dụng một bộ dữ liệu gồm các câu song song để huấn luyện mô hình gióng hàng từ. Thông qua kết quả gióng hàng từ này, mức độ tƣơng đồng của hai câu sẽ đƣợc tính. Ngoài ra, bộ phân lớp câu song song dựa trên mô hình Entropy cực đại kết hợp đặc trƣng liên kết gióng hàng từ đƣợc Munteanu và Marcu [9] thử nghiệm đạt độ chính xác cao đối với cặp ngôn ngữ Anh - Ả Rập. Bộ phân lớp này khá phù hợp với cặp ngôn ngữ khác họ nên chúng tôi áp dụng áp dụng bộ phân lớp này cho cặp ngôn ngữ Anh - Việt. 1 https://vlsp.hpda.vn
316 MỘT PHƢƠNG PHÁP XÂY DỰNG NGỮ LIỆU SONG NGỮ ANH-VIỆT TỪ NGUỒN TÀI NGUYÊN INTERNET Các công trình liên quan đến tiếng Việt, tác giả Đặng Bác Văn và Hồ Bảo Quốc [3] đã công bố một hệ thống có thể tự động tải về các trang web từ một tên miền cho sẵn, sau đó xác định các cặp trang web song ngữ Anh - Việt. Các cặp câu song song đƣợc rút trích dựa vào độ đo sự tƣơng tự thông qua một từ điển song ngữ. Nhóm tác giả Do Thi Ngoc Diep và đồng sự [4] cũng có công trình khai thác câu song song từ các trang web để phục vụ cho hệ thống dịch máy Pháp - Việt. III. CƠ SỞ LÝ THUYẾT A. Mô hình Entropy cực đại trong phấp lớp câu song song Mô hình xác suất Entropy cực đại (Maximum Entropy) cung cấp một cách đơn giản để kết hợp các đặc trƣng của tài liệu trong những ngữ cảnh khác nhau để ƣớc lƣợng xác suất của một số lớp xuất hiện cùng với một số ngữ cảnh này. Tƣ tƣởng cơ bản của mô hình Entropy cực đại là tìm ra một mô hình có phân phối xác suất thỏa mãn mọi ràng buộc quan sát đƣợc từ dữ liệu mà không đƣa thêm bất kì một giả thiết nào khác. Phân bố đƣợc chọn chính là phân bố làm cực đại hóa độ hỗn loạn thông tin (entropy) trong một tập các thực thể mà mỗi thực thể đƣợc gán nhãn [1] và đƣợc tính theo công thức: ( ) ∑ ( ) ( ) (3.1) Trong đó, ( ) . Theo công thức 3.1, nếu các phần tử x cùng thuộc về một lớp c (đồng nhất), thì độ hỗn loạn thông tin của tập các phần tử đó là nhỏ nhất. Ngƣợc lại, nếu trong một tập có quá nhiều các phần tử thuộc các lớp khác nhau (không đồng nhất), thì độ hỗn loạn thông tin của tập các phần tử đó sẽ là lớn nhất. Trong bài toán phân lớp câu song song, ta cần xây dựng một tập huấn luyện *( ) (( )+, với ( ) là tập các thông tin ngữ cảnh đã đƣợc gán nhãn tƣơng ứng với các lớp ( ). Ở đây ( ) {0,1} (0: không song song, 1: thực sự song song) [21]. Các cặp câu đƣợc gán nhãn song song và không song song sẽ đƣợc cho trƣớc. Mô hình Entropy cực đại sẽ giúp ƣớc lƣợng các tham số dựa vào dữ liệu huấn luyện này để cho ra một mô hình các tham số cho mô hình xác suất dùng để tính xác suất mỗi cặp câu đầu vào rằng khả năng nó thuộc lớp song song là bao nhiêu [21]. Phân phối xác xuất trên từng cặp ( ) đƣợc tính theo công thức sau: ̃( ) ( trong đó A là số lần xuất hiện của ( ) trong tập dữ liệu huấn luyện) (3.2) Các thông tin đƣợc dùng làm căn cứ cho việc phân lớp đƣợc biểu diễn dƣới dạng hàm số gọi là vị từ ngữ cảnh (context predicate) ký hiệu cp(x). Hàm này là một ánh xạ cặp (x,y) thành giá trị trong tập (true,false). Hàm này có dạng: cp(x): X→ {true,false). ( ) Hàm tổng quát có dạng nhƣ sau: ( ) { B. Bộ lọc chiều dài câu và bộ lọc bao phủ từ Bộ lọc chiều dài câu dựa trên ý tƣởng là “câu dài sẽ được dịch thành câu dài và ngược lại”. Bộ lọc này đƣợc ( ) xây dựng dựa vào tỉ lệ độ dài câu đƣợc tính theo công thức (3.3). ( ) Trong đó l(v), l(e) lần lƣợt là số lƣợng “từ” trong câu tiếng Việt v và câu tiếng Anh e Ví dụ: Chúng ta xét cặp câu sau: Câu tiếng Việt: Quy_mô và tốc_độ của hệ_thống này thực sự rất là kinh_hoàng. Câu tiếng Anh: The scale and the speed of this system is truly breathtaking. Khi đó . Bộ lọc bao phủ từ kí hiệu là TR(e,v) là tỉ lệ số từ tiếng Anh trong câu e có bản dịch tiếng Việt trong câu v. Các từ trong câu tiếng Anh đƣợc chuyển về dạng chuẩn. Sau đó, các từ này đƣợc lấy nghĩa tiếng Việt thông qua một từ điển Anh - Việt. Nhƣ vậy, tƣơng ứng với mỗi từ tiếng Anh, ta có thể có đƣợc một danh sách các bản dịch tiếng Việt của nó. Tiếp theo, phần trăm các từ trong câu tiếng Anh có bản dịch trong câu tiếng Việt sẽ đƣợc tính dựa vào các bản dịch tiếng Việt này. Việc xác định ngƣỡng và TR(e,v) phụ thuộc rất lớn vào dữ liệu huấn luyện. C. Độ chính xác, độ bao phủ và độ cân bằng Trong hệ thống truy vấn thông tin, để đánh giá kết quả trả về, hai độ đo thƣờng đƣợc sử dụng là độ chính xác (presision) và độ bao phủ (recall).
Dƣơng Minh Hùng, Lê Mạnh Thạnh, Lê Trung Hiếu 317 Độ chính xác: đƣợc tính bằng tỉ lệ phần trăm giữa số lƣợng các cặp câu mà bộ phân lớp đã phân lớp chính xác so với số tổng số lƣợng các cặp câu mà bộ phân lớp tìm được. ( ) Độ phủ: đƣợc tính bằng tỉ lệ phần trăm giữa số lƣợng các cặp câu mà bộ phân lớp đã phân lớp chính xác so với tổng số các cặp câu thực sự là song song và gần song song. ( ) Độ đo cân bằng (F_score): Đây đƣợc gọi là một trung bình điều hòa (harmonic mean) của Precision và Recall. Nó có xu hƣớng lấy giá trị gần với giá trị nào nhỏ hơn giữa 2 giá trị Precision và Recall và đồng thời nó có giá trị lớn nếu cả 2 giá trị Precision và Recall đều lớn. Chính vì thế F1-Score thể hiện đƣợc một cách khách quan hơn khả năng của một mô hình học máy. IV. PHƢƠNG PHÁP XÂY DỰNG KHO NGỮ LIỆU ANH-VIỆT A. Mô hình tổng thể hệ thống Hình 1. Mô hình rút trích các cặp câu song song B. Thu thập và tiền xử lý dữ liệu Chúng tôi sử dụng hai công cụ Html Agility Pack và Selenium để rút trích các cặp câu song ngữ Anh-Việt từ các trang web khác nhau. Html Agility Pack2 (HAP) là một chƣơng trình phân tích cú pháp trên nền tảng C# dùng để đọc/viết các đối tƣợng trong tài liệu HTML (DOM) và hỗ trợ mô tả, lƣu trữ dữ liệu bằng XML Path Language (XPATH) hoặc eXtensible Stylesheet Language Transformations (XSLT). HAP cho phép phân tích cú pháp tài liệu HTML từ tập tin, chuỗi đƣợc chỉ định, website, trình duyệt và trả về một tài liệu HTML đƣợc chọn. Bộ chọn (selectors) của HAP cho phép lấy ra danh sách những phần tử HTML đƣợc chỉ định bằng XPATH từ tài liệu HTML đƣợc chọn. Thao tác cơ bản trong HAP là rút trích phần cú pháp HTML hoặc nội dung văn bản mà bạn chỉ định. Selenium3 là một mã nguồn mở, công cụ tự động hóa website đƣợc hỗ trợ trên nhiều trình duyệt và hệ thống. Cho phép sử dụng những ngôn ngữ lập trình nhƣ Java, C#, Python, .Net, Ruby, PHP và Perl để tạo ra chƣơng trình tự động hóa. Selenium có thể tạo ra những thao tác tƣơng tự ngƣời sử dụng trang web nhƣ nhấp chuột, xóa, gõ chữ, chọn thành phần HTML… bằng những câu lệnh thông qua XPATH để rút trích nội dung trang web. Html Agility Pack và Selenium đều là những chƣơng trình mạnh mẽ, cung cấp tất cả những công cụ cần thiết để thực hiện việc rút trích nội dung trang web tự động, tùy vào cấu trúc trang web mà hai chƣơng trình này đƣợc sử dụng kết hợp nhiều hoặc ít để có đƣợc kết quả nhanh và chính xác nhất. Dữ liệu đã đƣợc rút trích thu thập từ nhiều nguồn, mỗi nguồn có cấu trúc HTML khác nhau. Sau đây là các thao tác đã đƣợc sử dụng trong việc rút trích dữ liệu. Bƣớc 1: Xác định trang web có cho phép sử dụng tài nguyên thông qua Đăng nhập tài khoản hay không. Nếu có thì sử dụng Selenium để thực hiện Đăng nhập tự động bằng cách truyền Tên tài khoản và Mật khẩu vào giao diện Đăng nhập. 2 https://html-agility-pack.net/ 3 https://www.seleniumhq.org/
318 MỘT PHƢƠNG PHÁP XÂY DỰNG NGỮ LIỆU SONG NGỮ ANH-VIỆT TỪ NGUỒN TÀI NGUYÊN INTERNET Bƣớc 2: Xác định kho dữ liệu cần thu thập nằm trong danh mục nào. Bƣớc 3: Tìm kiếm đoạn HTML chứa địa chỉ của từng bài viết nằm trong danh mục đó, sử dụng Bộ chọn để lấy đƣợc liên kết bài viết và truy cập để xem nội dung cụ thể. Bƣớc 4: Xác định dữ liệu cần rút trích nằm ở đoạn HTML nào trong bài viết và tiến hành rút trích. Tùy vào cách thể hiện dữ liệu của từng trang web mà sử dụng những cú pháp riêng biệt để có đƣợc dữ liệu. Bằng cách thực hiện các thao tác giống nhƣ ngƣời sử dụng web một cách tự động nhƣ là đăng nhập, truy cập vào địa chỉ bài viết, click từng nút lệnh để hiển thị dữ liệu. Kết quả cuối cùng của dữ liệu thu thập đƣợc là kho ngữ liệu Anh - Việt đã gióng hàng ở mức câu. Hình 2. Phụ đề phim từ trang studymuvie.net Hình 3. Nội dung song ngữ Anh - Việt từ ted.com Hình 4: Dữ liệu sau khi thu thập và xử lý là tập các câu song ngữ Anh - Việt
Dƣơng Minh Hùng, Lê Mạnh Thạnh, Lê Trung Hiếu 319 V. KẾT QUẢ THỰC NGHIỆM Chúng tôi thu thập 6716 tài liệu với hơn 5.270.000 cặp câu song ngữ Anh - Việt đã đƣợc gióng hàng mức câu. Sau đó sử dụng bộ công cụ Giza++4 để gióng hàng hai chiều ở mức từ (từ tiếng Anh sang tiếng Việt và ngƣợc lại). Quá trình này sẽ tạo ra 2 kết quả gióng hàng từ, phần giao của kết quả gióng hàng này sẽ có độ chính xác cao, ngƣợc lại phần hợp của kết quả gióng hàng này sẽ có độ bao phủ cao. Quá trình huấn luyện mô hình phân lớp Entropy cực đại nhƣ sau: - Bƣớc 1: tập dữ liệu huấn luyện là các cặp câu song song và không song song (đƣợc đánh dấu thủ công) - Bƣớc 2: sử dụng công cụ Giza++ để gióng hàng từ giữa các cặp câu song song; sau đó gióng hàng từ giữa các cặp câu không song song. - Bƣớc 3: từ kết quả gióng hàng từ rút ra các đặc trƣng cho các cặp câu song song và không song song. - Bƣớc 4: sử dụng các đặc trƣng vừa tạo để ƣớc lƣợng tham số cho mô hình. Quá trình phân lớp câu song song hoặc không song song: - Bƣớc 1: đầu vào là các cặp câu cần phân lớp song song hay không song song - Bƣớc 2: sử dụng Giza++ để gióng hàng từ cho các cặp câu đầu vào - Bƣớc 3: rút trích đặc trƣng từ kết quả gióng hàng từ ở bƣớc 2 - Bƣớc 4: sử dụng tập tin mô hình (đã đƣợc huấn luyện) để ƣớc lƣợng và đánh giá các đặc trƣng trong bƣớc 3 thuộc vào lớp song song hay không. Chúng tôi thiết lập các thông số của hệ thống nhƣ sau: Tỉ lệ độ dài câu , -, tỉ lệ độ bao phủ từ TR(e,v) . Để huấn luyện bộ phân lớp, chúng tôi sử dụng 4 tập tin chứa các cặp câu song song và không song song. Trong đó những cặp câu nào hoàn toàn song song sẽ đƣợc chọn làm ví dụ mẫu về cặp câu song song. Ngƣợc lại, những cặp câu nào chỉ chứa một phần là bản dịch của nhau thôi sẽ đƣợc chọn làm mẫu về cặp câu không song song. Với mỗi cặp câu trong bộ dữ liệu huấn luyện, các kết quả gióng hàng từ của chúng đƣợc tính nhờ bộ công cụ GIZA++. Sau đó, tập các đặc trƣng tƣơng ứng của mỗi cặp câu sẽ đƣợc rút ra. Những tập đặc trƣng của các cặp câu này sẽ đƣợc dùng để ƣớc lƣợng các tham số cũng nhƣ các thông tin về mô hình. Đánh giá hiệu quả bộ phân lớp: Tìm thủ công và đánh dấu 383 cặp câu song song (khác với các cặp câu sử dụng để huấn luyện) trong 2 tập tin. Sau đó, các bộ phân lớp sẽ lần lƣợt đƣợc dùng để rút ra các cặp câu song song từ 2 tập tin này theo nhiều ngƣỡng chính xác khác nhau. Kết quả thực nghiệm minh họa qua Bảng 4.1. Bảng 4.1. Kết quả thực nghiệm theo các ngƣỡng chính xác khác nhau của bộ phân lớp Các ngƣỡng của Số cặp câu có Số cặp câu thực Presision Recall F1_score bộ phân lớp khả năng song sự song song song 0.45 379 261 68.87% 68.15% 68.51% 0.50 320 234 73.13% 61.10% 66.58% 0.55 273 229 83.88% 59.79% 69.82% 0.60 231 215 93.07% 56.14% 70.03% 0.65 214 203 94.86% 53.00% 68.00% Nhìn vào bảng 4.1 ta có thể thấy khi ngƣỡng chính xác của bộ phân lớp là 0.60 sẽ thu đƣợc kết quả tốt nhất. Do hạn chế về tốc độ xử lý của máy tính nên chúng tôi chỉ sử dụng xấp xỉ 1.000.000 cặp câu trong hơn 5.000.000 cặp câu đã thu thập đƣợc để tiến hành phân lớp. Tại ngƣỡng 0.60 thu đƣợc 565428 cặp câu nhƣ hình 4.1. 4 http://www.statmt.org/moses/
320 MỘT PHƢƠNG PHÁP XÂY DỰNG NGỮ LIỆU SONG NGỮ ANH-VIỆT TỪ NGUỒN TÀI NGUYÊN INTERNET 788566 715751 Số câu tìm được 653983 565428 473569 381254 253658 0.75 0.7 0.65 0.6 0.55 0.5 0.45 Ngưỡng chính xác của bộ phân lớp Hình 4.1. Số lƣợng cặp câu tìm đƣợc tƣơng ứng với ngƣỡng chính xác của bộ phân lớp VI. KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN A. Kết luận Bài báo đã áp dụng bộ phân lớp Entropy cực đại kết hợp với bộ lọc độ dài câu và bộ lọc bao phủ từ để trích xuất các cặp câu thực sự song song và gần song song từ các nguồn tài nguyên trên internet khá hiệu quả. Đây là tiền đề để xây dựng khối ngữ liệu Anh-Việt có chất lƣợng tốt ứng dụng trong các lĩnh vực khác nhau. B. Hƣớng phát triển Trong thời gian tới, chúng tôi sẽ: - Đánh giá chất lƣợng của ngữ liệu thu thập đƣợc thông qua điểm BLEU của hệ thống dịch máy thống kê Moses. - Áp dụng kỹ thuật học sâu để xây dựng bộ phân lớp câu song song dựa trên mạng neural hồi quy hai chiều sử dụng bộ nhớ dài ngắn (Long Sort Term Memory bidirectional Recurrent Neural Network). TÀI LIỆU THAM KHẢO [1]. A. L. Berger, Stephen A. Della Pietra, Vincent J. Della Pietra (1996), A Maximum Entropy approach to Natural Laguage Processing, IBM T.J. Watson Reaserch Center P.O. Box 704 Yorktown Height, NY 10598 [2]. P. F. Brown (1991), Aligning sentences in parallel corpora, In Proceedings. of the 29th annual meeting on Association for Computational Linguistics, pp. 169-176 [3]. Van Dang Bac, Quoc Ho Bao (2007), Automatic Construction of English - Vietnamese Parallel Corpus through Web Mining, RIVF07 [4]. Thi-Ngoc-Diep Do ,Viet-Bac Le, Brigitte Bigi, Laurent Besacier, Eric Castelli (2009), Mining a comparable text corpus for a Vietnamese - French statistical machine translation system, Proceedings of the Fourth Workshop on Statistical Machine Translation , pp. 165-172, Athens, Greece, 30 March - 31 March 2009 [5]. Dien Dinh, Kiem Hoang (2002), Bilingual corpus and word sense disambiguation in the English-to-Vietnamese Machine Translation, 78 Proceedings of the 1st APIS, Bangkok, Thailand [6]. P. Fung, P. Cheung (2004), Multi-level bootstrapping for extracting parallel sentences from a quasicomparable corpus, In Proceedings of the 20th international conference on Computational Linguistics, page 1051. [7]. W. A. Gale, K. W. Church (1991), A program for aligning sentences in bilingual corpora, In Proceedings of the 29th annual meeting on Association for Computational Linguistics, pp. 177-184 [8]. M. Haruno, T. Yamazaki (1997), High-performance bilingual text alignment using statistical and dictionary information, in Proceeding ACL '96 Proceedings of the 34th annual meeting on Association for Computational Linguistics, pp. 131-138 [9]. D. S. Munteanu, D. Marcu (2005), ImprovingMachine Translation Performance by Exploiting Non-Parallel Corpora, Association for Computational Linguistics
Dƣơng Minh Hùng, Lê Mạnh Thạnh, Lê Trung Hiếu 321 [10]. C. Tillmann, J. Xu (2009), A simple sentence-level extraction algorithm for comparable data, In Proceedings of HLT/NAACL, pp. 93-96 [11]. D. Wu (1994), Aligning Parallel English Chinese Corpus Statistically with Lexical Criteria, in Proceedings of the 32nd annual meeting on Association for Computational Linguistics. BUILDING ENGLISH-VIETNAMESE BILINGUAL CORPUS FROM INTERNET RESOURCES Duong Minh Hung , Le Manh Thanh, Le Trung Hieu ABSTRACT: Bilingual corpus plays an important role in many applications of natural language processing, especially in machine translation applications. There are many different methods to build bilingual and multilingual corpus. In this paper, we propose a method of collecting, authenticating and preprocessing a large set of English - Vietnamese bilingual sentences from the internet resources. In addition, we use Entropy classifiers to train and extract parallel sentences. Keywords: Bilingual corpus, Maximum entropy.