Trích chọn thực thể tên người trong Tiếng Việt

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Thu Thùy TRÍCH CHỌN THỰC THỂ TÊN NGƯỜI TRONG TIẾNG VIỆT KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CHÍNH QUY Ngành: Công nghệ thông tin HÀ NỘI – 2009 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Lê Thu Thùy TRÍCH CHỌN THỰC THỂ TÊN NGƯỜI TRONG TIẾNG VIỆT KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CHÍNH QUY Ngành: Công nghệ thông tin Cán bộ hướng dẫn: TS. Nguyễn Trí Thành HÀ NỘI – 2009 i Lời cảm ơn Trước tiên, em muốn gửi lời cảm ơn sâu sắc nhất đến thầy giáo, TS. Nguyễn Trí Thành, những người đã tận tình hướng dẫn em trong suốt quá trình thực hiện khóa luận này. Em xin bày tỏ lời cảm ơn sâu sắc đến những thầy cô giáo đã giảng dạy em trong bốn năm học qua, đã cho em những kiến thức quý báu để em có thể vững bước trên con đường đi của mình. Tôi xin gửi lời cảm ơn sâu sắc tới các bạn trong lớp K50 CA đã ủng hộ và khuyến khích tôi trong suốt quá trình học tập tại trường. Và lời cuối cùng, tôi xin bày tỏ lòng chân thành và biết ơn vô hạn tới cha mẹ và em trai tôi, những người luôn ở bên cạnh tôi những lúc tôi khó khăn nhất, giúp tôi vượt qua những khó khăn trong học tập cũng như trong cuộc sống. Xin chân thành cảm ơn! Sinh Viên Lê Thu Thùy ii Tóm tắt Trích chọn các loại thực thể nói chung, cũng như trích chọn tên người nói riêng là một bước cơ bản trong trích chọn thông tin từ văn bản và xử lý ngôn ngữ tự nhiên. Nó được ứng dụng nhiều trong dịch tự động, tóm tắt văn bản, hiểu ngôn ngữ tự nhiên, nhận biết tên thực thể trong sinh/y học và đặc biệt ứng dụng trong việc tích hợp tự động các đối tượng, thực thể từ môi trường Web vào các ontology ngữ nghĩa và các cơ sở tri thức. Trong khóa luận này, em trình bày một giải pháp trích chọn thực thể tên người cho các văn bản tiếng Việt trên môi trường Web. Sau khi xem xét các hướng tiếp cận khác nhau, em đã lựa chọn phương pháp dựa trên giải thuật mở rộng quan hệ mẫu đối ngẫu lặp lại (Dual Interative Pattern Relation Expansion - DIPRE) [17] mà Brin đã đề xuất. Đây là phương pháp sử dụng học bán giám sát (semi-supervised), dựa trên các ngữ cảnh (occurrences) xung quanh các thực thể để trích chọn quan hệ mẫu, từ đó đưa ra được danh sách các thực thể cần nhận biết. iii Mục lục Lời cảm ơn ...................................................................................................................i Tóm tắt ........................................................................................................................ii Mục lục ..................................................................................................................... iii Bảng từ viết tắt ............................................................................................................v Danh sách hình vẽ.......................................................................................................vi Mở đầu ........................................................................................................................1 Chương 1. Bài toán trích chọn .....................................................................................3 thực thể tên người ........................................................................................................3 1.1. Trích chọn thông tin ..........................................................................................3 1.2. Tổng quan về bài toán trích chọn thực thể tên ...................................................4 1.3. Bài toán trích chọn thực thể tên người trong văn bản tiếng Việt trên môi trường web..........................................................................................................................5 1.4. Ý nghĩa của bài toán trích chọn thực thể tên người............................................7 Chương 2. Các hướng tiếp cận trong trích chọn thông tin ............................................9 2.1. Phương pháp dựa trên học máy .........................................................................9 2.1.1. Mô hình Markov ẩn (HMM).......................................................................9 2.1.1.1. Tổng quan về HMM ............................................................................9 2.1.1.2. Hạn chế của mô hình HMM...............................................................11 2.1.2. Mô hình Markov cực đại hóa Entropy (MEMM) ......................................11 2.1.2.1. Tổng quan về mô hình MEMM .........................................................11 2.1.2.2. Vấn đề Label Bias .............................................................................12 2.1.3. Mô hình trường điều kiện ngẫu nhiên (CRF) ............................................13 2.1.3.1. Tổng quan về mô hình CRF...............................................................13 2.1.3.2. Hàm tiềm năng của mô hình CRF......................................................14 2.2. Phương pháp tiếp cận dựa trên hệ luật .............................................................16 2.2.1 Tổng quan về tiếp cận dựa trên hệ luật ......................................................16 2.2.2 Giải thuật DIPRE ......................................................................................16 2.2.1.1. Tổng quan về học bán giám sát..........................................................16 2.2.1.2. Giải thuật DIPRE...............................................................................18 2.3 Tổng kết chương ..............................................................................................21 Chương 3. Hệ thống trích chọn tên người trong văn bản tiếng Việt trên môi trường Web...........................................................................................................................22 3.1 Hướng giải quyết bài toán ................................................................................22 3.2 Thực nghiệm ....................................................................................................27 3.2.1. Môi trường thực hiện................................................................................27 3.2.2 Thu thập dữ liệu ........................................................................................27 3.3. Khảo sát và xây dựng thủ công các tập dữ liệu từ điển ban đầu .......................27 3.3.1. Tập dữ liệu từ điển ban đầu và tập mẫu ....................................................27 3.3.2. Giới hạn vòng lặp .....................................................................................29 3.4 Đánh giá hệ thống nhận dạng thực thể.............................................................29 3.4.1. Kết quả.....................................................................................................30 3.4.2. Đánh giá...................................................................................................31 iv Kết luận .....................................................................................................................32 Tài liệu tham khảo .....................................................................................................34 v Bảng từ viết tắt Từ hoặc cụm từ Viết tắt Condition Random Field CRF Dual Interative Pattern Relation Expansion DIPRE Hidden Markov Model HMM Maximum Entropy Markov Model MEMM Name Entity Recognition NER vi Danh sách hình vẽ 1 Mở đầu Trích chọn thực thể tên (Name Entity Extraction), đặc biệt là trích chọn tên người ngày càng trở nên quan trọng hơn đối với sự phát triển ngày càng cao các ứng dụng của xử lý ngôn ngữ tự nhiên. Tuy nhiên, việc trích chọn tên người cũng như sử dụng chúng một cách triệt để vẫn là một vấn đề không hề đơn giản. Thừa nhận rằng, một trong những cách tốt nhất để xác định tên người là sử dụng thông tin ngữ cảnh xuất hiện xung quanh tên người. Do đó, vấn đề chính sẽ là làm thế nào để tìm ra các ngữ cảnh mà tại đó, tên người xuất hiện. Các phương pháp có thể là thủ công, sử dụng hệ luật (rule-based) hay tự động… Hiện nay, hầu hết các hệ thống nhận dạng tên thực thể đều dựa vào một tập nhỏ các loại thực thể tên thông thường. Mặc dù đã có một vài đề xuất được đưa ra nhằm mở rộng các cấp của các loại thực thể tên nhưng nó vẫn cố định một số lượng nhất định các loại thực thể tên. Vấn đề áp dụng bài toán trích chọn các loại thực thể cho các miền dữ liệu có tính chất đặc trưng riêng khác với những dữ liệu bình thường, điều này rất đáng được quan tâm. Trong khi đó, với những ứng dụng quan trọng trong web ngữ nghĩa, hay trong hệ thống hỏi đáp tự động, …thì các miền dữ liệu tên người cũng là một trong những miền dữ liệu được nhắc tới nhiều nhất. Ý thức được những lợi ích mà các bài toán trích chọn thực thể nói chung và trích chọn tên người nói riêng, em đã chọn hướng nghiên cứu nhằm giải quyết bài toán trích chọn thực thể tên người trong văn bản tiếng Việt trên môi trường Web làm đề tài luận văn của mình. Luận văn được tổ chức thành các chương như sau: Chương 1 giới thiệu tổng quan về bài toán trích chọn thông tin, bài toán trích chọn thực thể tên người cho văn bản tiếng Việt trên môi trường Web cùng những ứng dụng thực tế của nó. Chương 2 trình bày một số hướng tiếp cận nhằm giải quyết bài toán trích chọn thực thể như phương pháp dựa trên hệ luật, phương pháp học máy như HMM, MEMM, CRF. Đối với phương pháo dựa trên hệ luật, khóa luận sẽ giới thiệu về một số hệ thống liên quan tới trích chọn thực thể. Cụ thể đó chính là giải thuật DIPRE [17], một giải thuật được đề xuất bởi Brin, sử dụng tập dữ liệu ban đầu (seed) để tìm ra các 2 mẫu (patterns). Phương pháp này đều đã có những kết quả thực nghiệm hết sức khả quan. Chương 3 trình bày hệ thống trích chọn thực thể tên người trong văn bản tiếng Việt trên môi trường Web dựa trên giải thuật DIPRE (Dual Interative Pattern Relation Expansion)[17] mà Brin (1998) đã đề xuất kết hợp với một số luật mang những đặc điểm cơ bản của tên người trong tiếng Việt và đưa ra một số kết quả thực nghiệm. 3 Chương 1. Bài toán trích chọn thực thể tên người Chủ đề chính của khóa luận là áp dụng phương pháp dựa trên hệ luật (rule-based) kết hợp với giải thuật DIPRE (Dual Interative Pattern Relation Expansion)[17] do Brin đề xuất. Chương này sẽ giới thiệu tổng quan về trích chọn thông tin, về bài toán trích chọn thực thể nói chung, chi tiết về bài toán trích chọn thực thể tên người nói riêng cũng như ứng dụng, ý nghĩa của bài toán trích chọn thực thể tên người. 1.1. Trích chọn thông tin Trích chọn thông tin là một lĩnh vực quan trọng trong khai phá dữ liệu văn bản, thực hiện việc trích rút các thông tin có cấu trúc từ các văn bản không có cấu trúc. Cụ thể hơn, một hệ thống trích chọn thông tin sẽ trích ra những thông tin đã được định nghĩa trước về các thực thể và mối quan hệ giữa chúng từ một văn bản dưới dạng ngôn ngữ tự nhiên và điền những thông tin này vào một văn bản ghi dữ liệu có cấu trúc hoặc một dạng mẫu (template) được định nghĩa trước đó. Ví dụ như việc trích chọn vị trí của một cuộc hẹn từ một bức thư điện tử hay trích chọn tên của một công ty từ một bài báo… Các kĩ thuật được sử dụng trong trích chọn thông tin gồm có: hướng tiếp cận dựa trên luật và dựa trên các phương pháp học máy. Có thể sử dụng trích chọn thông tin từ văn bản với nhiều mức độ khác nhau như nhận dạng các loại thực thể tên (Name Entity Recognition – NER), điền thông tin các mẫu kịch bản (Scenario Template), hay xác định quan hệ giữa các thực thể (Relation Extraction hay còn gọi là trích chọn quan hệ), ví dụ như liên kết các bản ghi (record association) trong cơ sở dữ liệu, hay để chuẩn hóa (nomalization) và tránh trùng lặp (deduplication) dữ liệu … Khóa luận này tập trung chủ yếu vào việc nhận dạng thực thể tên và trích chọn quan hệ giữa chúng để giải quyết bài toán trích chọn tên người trong văn bản tiếng Việt trên môi trường Web. Có rất nhiều mức độ cũng như nội dung công việc trích chọn thông tin khác nhau. Công việc nghiên cứu trích chọn ở đây là trích lại những thông tin từ văn bản. Ví dụ, tại hội thảo MUC-7 (Seventh Message Understanding Conmference), thông tin trích chọn mà người ta quan tâm đến là nhận diện những sự kiện liên quan đến việc 4 phóng tên lửa trong 100 bài báo của NewYork Times. Công việc này được thực hiện bằng cách làm sao trả lời được những câu hỏi như: Tên lửa được phóng ra từ đâu? Ai là chủ nhân điều khiển tên lửa đó? Khối lượng chất nổ trong tên lửa? Chất nổ sử dụng là gì? Hình 1 dưới đây mô tả một hệ thống trích chọn thông tin. Hình 1 biểu diễn việc trích chọn các thực thể “NAME”, “TITLE” và thực thể “ORGANIZATION” từ một đoạn văn bản. Kết quả đưa ra là danh sách tên người (NAME) tương ứng với chức vụ (TITLE) và tổ chức (ORGANIZATION) của họ xuất hiện trong văn bản nêu trên. Như vậy, có thể hiểu đơn giản rằng công việc trích chọn thông tin ở đây đơn giản là đi tìm những quan hệ giữa các đối tượng có tên được chỉ định trước. 1.2. Tổng quan về bài toán trích chọn thực thể tên Việc trích chọn các thực thể tên (còn được gọi là phân lớp tên riêng) là một công việc của xử lý ngôn ngữ tự nhiên trên máy tính. Nhiệm vụ chính của nó là tìm kiếm và phân lớp các từ vào các nhóm đối tượng như: tên người (person), địa danh (location), IE NAME TITLE ORGANIZATION Bill Gates CEO Microsoft Corporation Bill Veghte VP Microsoft Richard Stallman founder Free Software Foundation October 14,2002, 4:00 a.m. PT For year, Microsoft Corporation CEO Bill Gates railed against the economic philosophy of open-source software with Orwellian fevor, denouncing its communal licensing as a “cancer” that stifled technological innovation. Today, Microsoft clains to “love” the open-source concept, by which software code is made public to encourage improvement and development by outside programmers. Gates himself says Microsoft will gladly disclose its crown jewels-the coveted code behind the Windows opertating system-to select customers. “We can be open source. We love the concept of shared source,” said Bill Veghte, a Microsoft VP. “That’s a super-important shift for us in terms of code access”. Richard Stallman, founder of the Free Software Foundation, countered saying… Hình 1: Mô hình trích chọn thực thể 5 tổ chức (organization), ngày tháng (date), thời gian (time), tỷ lệ (percentage), tiền tệ (moneytary) và cả những loại thực thể không thuộc những dạng kể trên. Bài toán trích chọn thực thể là bài toán đơn giản nhất trong số các bài toán trích chọn thông tin. Các nhà nghiên cứu đã chỉ ra rằng, để thực hiện được việc trích chọn các thông tin phức tạp, hệ thống phải có khả năng thực hiện một số công việc đơn giản hơn. Và trích chọn thực thể chính là một trong những yêu cầu đầu tiên của hầu hết các hệ thống đó, vì rõ ràng trước khi có thể xác định được các mối quan hệ giữa các thực thể, ta phải xác định được đâu là các thực thể tham gia vào mối quan hệ đó. Do đó, bài toán trích chọn thực thể là một trong những bước cơ bản nhất trước khi tính đến việc giải quyết các bài toán phức tạp hơn trong lĩnh vực này. Có rất nhiều phương pháp đã được sử dụng để giải quyết các bài toán trích chọn thực thể, từ các phương pháp dựa trên hệ luật (rule-based) đến các phương pháp học máy (machine learning). Một số phương pháp học máy như: Mô hình Markov ẩn (Hidden Markov Model - HMM), mô hình cực đại hóa Entropy (Maximum Entropy Markov Model - MEMM), mô hình trường ngẫu nhiên điều kiện (Conditional Ramdom Field - CRF), phương pháp máy vector hỗ trợ (Support Vector Machine - SVM)….Các phương pháp ngày sẽ được giới thiệu chi tiết ở chương 2. 1.3. Bài toán trích chọn thực thể tên người trong văn bản tiếng Việt trên môi trường web Các thực thể đóng vai trò quan trọng rất nhiều trong ứng dụng xử lý ngôn ngữ tự nhiên. Hiện nay, hầu hết các hệ thống nhận dạng thực thể tên đều dựa vào một tập nhỏ các loại thực thể tên thông thường. Mặc dù đã có một vài đề xuất được đưa ra nhằm mở rộng các cấp của các loại thực thể tên nhưng nó vẫn cố định ở một số lượng nhất định các loại thực thể tên. Trong các ứng dụng thực tế: hệ thống hỏi đáp hay hệ thống tìm kiếm ngữ nghĩa, người dùng có thể sẽ hứng thú hơn với riêng từng loại thực thể. Khi đó, vấn đề đặt ra sẽ là áp dụng bài toán trích chọn các loại thực thể cho các miền dữ liệu có tính chất đặc trưng riêng biệt, khác với những dữ liệu thông thường. Đây là điều rất đáng được quan tâm. Và miền dữ liệu tên người cũng là một trong những miền dữ liệu được nhắc tới nhiều nhất. Chính vì vậy, nội dung chính của khóa luận nhằm đưa ra một phương pháp trích chọn thực thể tên người từ văn bản tiếng Việt trên môi trường Web. Thực thể tên người luôn song hành, gắn bó với cuộc sống của mỗi con người từng giờ, từng phút, đóng một vai trò quan trọng đối với mỗi cá nhân. Nó không chỉ có 6 chức năng phân biệt người này với người khác mà còn có chức năng thẩm mỹ nên đối với người Việt Nam, tên người cũng thường được chọn lựa khá kỹ về mặt ngữ âm và ngữ nghĩa. Do đó, việc khai thác tối ưu vấn đề này để áp dụng cho nhiều bài toán cụ thể khác cũng là một đề tài quan trọng. Tuy nhiên, đối với hệ thống tên người trên thế giới nói chung hay của Việt Nam nói riêng đều không có một nguyên tắc chung nào trong việc đặt tên. Cũng như sự phong phú về ngôn ngữ dẫn tới thực thể tên người sẽ có cấu trúc phức tạp hơn, do đó, không tránh khỏi sự nhập nhằng. điều này khiến cho việc trích chọn tên người cũng như trích chọn quan hệ giữa chúng trở nên khó khăn hơn so với các văn bản tiếng Anh. Cụ thể như sau:  Các văn bản tiếng Việt không có dữ liệu huấn luyện có sẵn, và các nguồn tài nguyên có thể tra cứu trên WordNet trong tiếng Anh.  Thiếu các thông tin ngữ pháp (POS) và các thông tin về cụm từ như: cụm danh từ, cụm động từ,…cho tiếng Việt trong khi các thông tin này giữ vai trò quan trọng trong việc trích chọn thực thể.  Một số trường hợp dễ dàng xuất hiện đối với tên người trong tiếng Việt như sau: “Hồ Chí Minh là một vị lãnh tụ vĩ đại của dân tộc Việt Nam.” (1) “Hồ Chí Minh là một trong những thành phố lớn nhất ở Việt Nam.” (2) “Tổng thống Mỹ có chuyến viếng thăm Trung Quốc.” (3) “Tổng thống Mỹ Obama có chuyến viếng thăm Trung Quốc.” (4) “Tổng thống Obama có chuyến viếng thăm đất nước Trung Quốc.” (5) Xét trường hợp (1) và (2), dễ dàng nhận thấy sự nhập nhằng, điều này sẽ phát sinh những vấn đề như: “Hồ Chí Minh” nào là tên người? Chữ “Hồ” đầu câu viết hoa, do đó, thông tin viết hoa đầu câu thường không mang nhiều ý nghĩa. Xét tới trường hợp (3), (4), và (5), có thể thấy cùng một nội dung nhưng có nhiều cách để diễn đạt, nhưng không phải cách diễn đạt nào cũng khiến người lập trình có thể dễ dàng lấy ra được tên người. 7 Trường hợp (3) hoàn toàn không có tên người, nhưng đây cũng là trường hợp dễ nhầm lẫn khi thực hiện trích chọn. Trường hợp (5) tồn tại hai loại thực thể, “Mỹ” chỉ địa danh. “Obama” chỉ tên người Rất có thể kết quả trích chọn sẽ đưa ra kết quả là “Mỹ Obama” → đó là một kết quả hoàn toàn không chính xác. Như vậy, bài toán đưa ra nhằm đánh giá các chiến lược khai phá dữ liệu tên người, đặc biệt tập trung vào hai bài toán con: trích chọn thực thể và trích chọn quan hệ. Bởi vì, trước khi xác định được quan hệ giữa các thực thể để thực hiện trích rút thì ta phải nhận biết được thực thể cần trích chọn. Việc trích chọn thực thể tên người đòi hỏi phải nhận biết được các thành phần cơ bản và đặc trưng của dữ liệu tên người, ví dụ như các chức danh luôn đi kèm với tên người trong văn bản: ông, bà, học sinh, anh, chị, thầy giáo, cô giáo, giám đốc, tổng giám đốc, …dựa vào sự xuất hiện của các thực thể, thuật toán đưa ra sẽ giữ lại các ngữ cảnh xung quanh thực thể tên để từ đó trích chọn ra quan hệ các mẫu, cuối cùng, dựa