Professional Documents
Culture Documents
Xu Ly Ngon Ngu Tu Nhien Le Thanh Huong 2.word Segmentation Tach Tu Tieng Viet (Cuuduongthancong - Com)
Xu Ly Ngon Ngu Tu Nhien Le Thanh Huong 2.word Segmentation Tach Tu Tieng Viet (Cuuduongthancong - Com)
Tách từ tiếng Việt z Mục đích: xác định ranh giới của các từ trong câu.
z Là bước xử lý quan trọng đối với các hệ thống XLNNTN,
đặc biệt là đối với các ngôn ngữ đơn lập, ví dụ: âm tiết
Lê Thanh Hương Trung Quốc, âm tiết Nhật, âm tiết Thái, và tiếng Việt.
Bộ môn Hệ thống Thông tin z Với các ngôn ngữ đơn lập, một từ có thể ể có một hoặc
Viện CNTT &TT – Trường ĐHBKHN nhiều âm tiết.
Email: huonglt-fit@mail.hut.edu.vn ¾ Vấn đề của bài toán tách từ là khử được sự nhập nhằng
trong ranh giới từ.
1 2
Từ vựng Từ vựng
z tiếng Việt là ngôn ngữ không biến hình Độ dài # %
z Từ điển từ tiếng Việt (Vietlex): >40.000 từ, 1 6,303 15.69
trong đó: 2 28,416 70.72
z 81.55%
81 55% â
âm tiết là từ : từ đơn
đ 3 2,259
2 259 5 62
5.62
z 15.69% các từ trong từ điển là từ đơn 4 2,784 6.93
z 70.72% từ ghép có 2 âm tiết 5 419 1.04
z 13.59% từ ghép ≥ 3 âm tiết Tổng 40,181 100
3 4
Qui tắc cấu tạo từ tiếng Việt Qui tắc cấu tạo từ tiếng Việt
z Từ đơn: dùng một âm tiết làm một từ. z Từ láy: các yếu tố cấu tạo có thành phần ngữ âm được lặp
z Ví dụ: tôi, bác, người, cây, hoa, đi, chạy, vì, đã, à, nhỉ, nhé... lại; nhưng vừa lặp vừa biến đổi. Một từ được lặp lại cũng cho
ta từ láy.
z Từ ghép: tổ hợp (ghép) các âm tiết lại, giữa các âm tiết
đó có quan hệ về nghĩa với nhau. z Biến thể của từ: được coi là dạng lâm thời biến động hoặc
dạng "lời
lời nói"
nói của từ.
z Từ ghép đẳng
ẳ lập. các
á thành
à tốố cấu
ấ tạo có ó quan hệ ệ bình
ì đẳng
ẳ với ớ
nhau về nghĩa. z Rút gọn một từ dài thành từ ngắn hơn
z ki-lô-gam → ki lô/ kí lô
z Ví dụ: chợ búa, bếp núc
z Từ ghép chính phụ. các thành tố cấu tạo này phụ thuộc vào thành z Lâm thời phá vỡ cấu trúc của từ, phân bố lại yếu tố tạo từ với
tố cấu tạo kia. Thành tố phụ có vai trò phân loại, chuyên biệt hoá những yếu tố khác ngoài từ chen vào. Ví dụ:
và sắc thái hoá cho thành tố chính. z khổ sở → lo khổ lo sở
z Ví dụ: tàu hoả, đường sắt, xấu bụng, tốt mã, ngay đơ, thằng z ngặt nghẽo → cười ngặt cười nghẽo
tắp, sưng vù... z danh lợi + ham chuộng → ham danh chuộng lợi
5 6
CuuDuongThanCong.com https://fb.com/tailieudientucntt
Qui tắc cấu tạo từ tiếng Việt Các hướng tiếp cận
z Các diễn tả gồm nhiều từ (vd, “bởi vì”) cũng được coi là z Tiếp cận dựa trên từ điển
1 từ
z Tên riêng: tên người và vị trí được coi là 1 đơn vị từ
z Tiếp cận theo phương pháp thống kê
vựng z Kết hợp hai phương pháp trên.
z Các mẫuẫ thường xuyên: số,ố thời gian
7 8
z Chuyển đổi trạng thái trọng số hữu hạn (Weighted Finite z Mỗi mục từ lưu thông tin về từ, từ loại, nghĩa loại
State Transducer – WFST) z Tổ chức sao cho tốn ít bộ nhớ và thuận tiện trong việc
z Độ hỗn loạn cực đại (Maximum Entropy – ME) tìm kiếm
z Học máy sử dụng mô hình Markov ẩn (Hidden Markov z Mã hóa từ điển: Từ loại và nghĩa loại kiểu byte được lưu
Models- HMM) dưới dạng một ký tự.
z Học máy sử dụng vectơ hỗ trợ (Support Vector z VD: danh từ -112 – p, <loại từ> - 115 – s
Machines)
z Kết hợp một số phương pháp trên
9 10
n xe cộ xe đạp
11 12
CuuDuongThanCong.com https://fb.com/tailieudientucntt
Tìm từ trong từ điển Phân giải nhập nhằng
Nếu nhà máy nghỉ thì ta về z Lấy tất cả các cách phân tích, nếu phân tích
Vị trí từ: 0 1 2 3 4 5 6 7 cú pháp cho ra cây đúng thì đó là cách phân
z Ta có bảng sau:
tích đúng.
z
z Ký hiệu:
z <liên từ> - LT <danh từ> - DT
z <động từ> - ĐgT <đại từ> - ĐaT
13 14
17 18
CuuDuongThanCong.com https://fb.com/tailieudientucntt
Automat hữu hạn cho các từ
Ví dụ về automat hữu hạn tiếng Anh
L = {w ∈ {0, 1}* | w kết thúc bằng chuỗi con 10}.
19 20
CuuDuongThanCong.com https://fb.com/tailieudientucntt
Phân giải nhập nhằng Kỹ thuật làm trơn
z Khi n = 2, tính giá trị P(wi|wi-1) lớn nhất maximum
likelihood (ML) với λ1 + λ2 = 1 và λ1, λ2 ≥ 0
PML(wi) = c(wi)/N
z Với tập thử nghiệm T = {s1,s2,…,sn}, xác suất P(T) của tập
thử:
thử
z Entropy của văn bản:
z c(s): số lần xâu s xuất hiện; N: tổng số từ trong tập luyện
z Khi dữ liệu luyện nhỏ hơn kích cỡ toàn bộ tập dữ liệu Æ
P~0 với NT: số từ trong T
z Sử dụng kỹ thuật làm trơn z Entropy tỉ lệ nghịch với xác suất trung bình của 1 cách tách
từ cho các câu trong văn bản thử nghiệm.
25 26
với λ1 + λ2 = 1 và λ1, λ2 ≥ 0
28
Kết quả
z Sử dụng tập dữ liệu gồm 1264 bài trong báo Tuổi trẻ, có 507,358 từ
z Lấy ε = 0.03, các giá trị λ hội tụ sau 4 vòng lặp
CuuDuongThanCong.com https://fb.com/tailieudientucntt