phương pháp học bán giám sát cho bài toán trích chọn thông tin và ứng dụng trích chọn thực thể tên máy ảnh số

Nói cách khác, một hệ thống trích chọn thông tin rút ra những thông tin đã được định nghĩa trước về các thực thể và mối quan hệ giữa các thực thể từ một văn bản dưới dạng ngôn ngữ tự nhi

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

TRƯƠNG THỊ PHƯƠNG THẢO

PHƯƠNG PHÁP HỌC BÁN GIÁM SÁT CHO

BÀI TOÁN TRÍCH CHỌN THÔNG TIN VÀ ỨNG DỤNG

Lời cam đoan

Tôi xin cam đoan kết quả đạt được trong luận văn là sản phẩm nghiên cứu, tìm hiểu của riêng cá nhân tôi Trong toàn bộ nội dung của luận văn, những điều được trình bày hoặc là của cá nhân tôi hoặc là được tổng hợp từ nhiều nguồn tài liệu Tất cả các tài liệu tham khảo đều có xuất xứ rõ ràng và được trích dẫn hợp pháp

Tôi xin hoàn chịu trách nhiệm và chịu mọi hình thức kỷ luật theo quy định cho lời cam đoan của mình

Học viên Trương Thị Phương Thảo

Mục lục

Lời cam đoan 2

Mục lục 3

Danh mục các ký hiệu, các chữ viết tắt 4

Danh mục các bảng 5

Danh mục các hình vẽ, đồ thị 6

Mở đầu 7

CHƯƠNG 1 GIỚI THIỆU 8

CHƯƠNG 2 HỆ THỐNG TRÍCH CHỌN THÔNG TIN 14

2.1 Xây dựng hệ thống trích chọn thông tin 14

2.1.1 Công nghệ tri thức 14

2.1.2 Huấn luyện tự động 14

2.2 Các phương pháp trích chọn 15

2.2.1 Học có giám sát trích chọn quan hệ 16

2.2.2 Học không giám sát trích chọn quan hệ 18

2.2.3 Học bán giám sát trích chọn quan hệ 21

2.2.3.1 DIPRE: Dual Iterative Pattern Relation Extraction 22

2.2.3.2 Hệ thống SNOWBALL 26

2.3 Nhận xét 32

CHƯƠNG 3 MÔ HÌNH HỌC BÁN GIÁM SÁT TRÍCH CHỌN THỰC THỂ VÀ ỨNG DỤNG 33

3.1 Mô tả bài toán 33

3.2 Mô hình giải quyết bài toán 33

3.3 Mô hình hệ thống 35

3.3.1 Pha tiền xử lí 36

3.3.2 Pha sinh các mẫu 43

3.3.3 Pha sinh các bộ quan hệ mới 48

CHƯƠNG 4 THỰC NGHIỆM 50

4.1 Môi trường thực nghiệm 50

4.2 Dữ liệu thực nghiệm 50

4.3 Đánh giá hệ thống 51

4.4 Thực nghiệm 51

Kết luận và hướng phát triển tương lai 61

Tài liệu tham khảo 62

Phụ lục Mối quan hệ ngữ nghĩa trong WordNet 64

Danh mục các ký hiệu, các chữ viết tắt

IE Information Extraction

NE Named Entity MUC Message Understanding Conferences NER Named Entity Recognition

IR Information Retrieval DIPRE Dual Iterative Pattern Relation Extraction

Danh mục các bảng

Bảng 1: Các luật của AutoSlog 18

Bảng 2: Năm bộ quan hệ hạt giống của hệ thống DIPRE 24

Bảng 3: Ví dụ các sự kiện được mô tả dưới dạng bộ - 7 24

Bảng 4: Ví dụ về việc sinh các mẫu DIPRE 26

Bảng 5: Năm bộ quan hệ hạt giống của hệ thống Snowball 27

Bảng 6: Một số lớp thường dùng trong WordNet 45

Bảng 7: Cấu hình của máy PC dùng trong thực nghiệm 50

Bảng 8: Các công cụ sử dụng trong thực nghiệm 50

Bảng 9: Các thư viện sử dụng trong thực nghiệm 50

Bảng 10: Dữ liệu kiểm thử và dữ liệu huấn luyện 51

Bảng 11: Tập các quan hệ hạt giống ban đầu 51

Bảng 12: Một số cặp <camera, producer> ở lần lặp đầu tiên 52

Bảng 13: Giá trị Precision, Recall và F1 sau các vòng lặp 52

Bảng 14: Giá trị Precision, Recall, F1 của hệ thống theo giá trị sup 54

Bảng 15: Giá trị của Precision, Recall, F1 thực nghiệm trên tập 5000 55

Bảng 16: Kết quả so sánh giữa thực nghiệm 1 và 2 55

Bảng 17: Kết quả trích chọn khi áp dụng giải thuật DIPRE trên Tập 1200 56

Bảng 18: Kết quả trích chọn khi áp dụng giải thuật DIPRE trên Tập 5000 56

Bảng 19: Bảng thống kê kết quả trích chọn khi áp dụng giải thuật DIPRE cho bài toán trích chọn tên máy ảnh số 56

Bảng 20: Kết quả thực nghiệm 5 với số lượng các cặp tìm được 58

Bảng 21: Kết quả thực nghiệm 5 - Một số mẫu có độ chính xác cao và xuất hiện nhiều 58

Bảng 22: Kết quả thực nghiệm 5 - Thống kê các loại máy ảnh phổ biến nhất 59

Bảng 23: Kết quả thực nghiệm 5 - Thống kê số lượng máy ảnh theo hãng sản xuất 60

Bảng 24: Các quan hệ ngữ nghĩa trong WordNet 64

Danh mục các hình vẽ, đồ thị

Hình 1: Minh họa về một hệ thống trích chọn thông tin 8

Hình 2: Ví dụ về khai phá quan điểm 10

Hình 3: Sơ đồ hoạt động của hệ thống AutoSlog 17

Hình 4: Sơ đồ hoạt động của hệ thống AutoSlog – TS 19

Hình 5: Ví dụ về AutoSlog - TS 21

Hình 6: Mô hình hoạt động của hệ thống DIPRE 22

Hình 7: Mô hình hoạt động của hệ thống Snowball 27

Hình 8: Các sự kiện tìm được dựa vào bộ quan hệ hạt giống 28

Hình 9: Mô hình hệ thống trích chọn tên máy ảnh số 35

Hình 10: Mô hình của pha tiền xử lí 36

Hình 11: Mô hình thuật toán sinh mẫu từ một bộ quan hệ 43

Hình 12: Giá trị của Precision, Recall, F1 thực nghiệm trên tập 1200 53

Hình 13: Giá trị Precision, Recall, F1 của hệ thống theo giá trị sup 54

Hình 14: Kết quả thực nghiệm 3 (a) và thực nghiệm 4 (b) đối với giá trị F1 57

Mở đầu

Trích chọn thực thể là bài toán cơ bản nhất trong các bài toán trích chọn thông tin nhưng lại đóng vai trò khá quan trọng Thực thể tên ngày càng được ứng dụng trong nhiều bài toán trong khai phá dữ liệu web cũng như nhiều các bài toán trong xử lý ngôn ngữ tự nhiên Do đó việc xây dựng các giải thuật trích chọn các thực thể tên này từ web là bài toán có ý nghĩa quan trọng Luận văn tập trung vào tìm hiểu việc xây dựng một mô hình trích chọn thực thể tên và ứng dụng vào trích chọn thực thể tên máy ảnh trên web

Cấu trúc luận văn gồm 4 chương:

Chương 1: Giới thiệu một cách khái quát nhất bài toán trích chọn thông tin, tính ứng dụng thực tiễn của bài toán

Chương 2: Trình bày một số các khái niệm liên quan đến bài toán trích chọn thông tin, các phương pháp trích chọn thông tin Với mỗi phương pháp trình bày một mô hình minh họa Đây là cơ sở luận quan trọng để luận văn đề xuất một mô hình áp dụng với bài toán trích chọn thực thể Cụ thể luận văn lựa chọn hướng tiếp cận học bán giám sát

Chương 3: Ứng dụng phương pháp học bán giám sát vào hệ thống trích chọn tên máy ảnh kĩ thuật số

Chương 4: Kết quả thực nghiệm của luận văn, đánh giá phương pháp và kết quả đạt được

Phần kết luận: Tóm lược những nội dung chính đạt được của luận văn đồng thời cũng chỉ ra những điểm cần khắc phục và đưa ra những định hướng nghiên cứu trong tương lai

CHƯƠNG 1 GIỚI THIỆU

Với sự bùng nổ của Internet và các phương tiện lưu trữ đã tạo ra một lượng thông tin khổng lồ Bên cạnh đó nhu cầu về tốc độ xử lý thông tin cũng như tính chính xác ngày càng tăng Hiện nay, các máy tìm kiếm (search engine) thực hiện việc tìm những trang web phù hợp với yêu cầu câu hỏi người dùng

Mặc dù chất lượng của các máy tìm kiếm đã được cải thiện nhưng kết quả trả về chỉ là những tài liệu có liên quan, chúng không dễ dàng gì rút ra được các mối quan hệ tiềm ẩn và tạo được các câu trả lời cho các truy vấn phức tạp, chẳng hạn như “danh sách các công ty liên doanh” hoặc “danh sách các nhà lãnh đạo quốc tế trên toàn thế giới” Người ta phân loại câu trả lời các truy vấn ở dạng: có phân tích các tài liệu liên quan để tập hợp những thông tin cần thiết Nếu nhiều mối quan hệ như “Công ty A liên doanh với công ty B” được lưu trong các tài liệu thì nó tự động tổng hợp và cấu trúc hóa, điều này rất tốt không chỉ cho các

hệ thống truy vấn thông tin mà còn cho các hệ thống hỏi đáp tự động và tóm tắt văn bản Do đó khai thác được những tri thức đó sẽ mang lại nhiều thông tin bổ ích Đó là lĩnh vực mà “trích chọn thông tin” nghiên cứu

Trích chọn thông tin (Information Extraction - IE) là công việc trích ra các thông tin có cấu trúc từ các văn bản không có cấu trúc Nói cách khác, một hệ thống trích chọn thông tin rút ra những thông tin đã được định nghĩa trước về các thực thể và mối quan hệ giữa các thực thể 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 được định nghĩa trước đó Không giống như hiểu toàn

bộ văn bản, các hệ thống trích chọn thông tin chỉ cố gắng nhận biết một số thông tin đáng quan tâm ở một lĩnh vực nào đó Ví dụ hệ thống trích chọn các bộ quan

hệ <tên máy ảnh, hãng sản xuất> từ các tài liệu web, bổ sung chúng vào cơ sở

dữ liệu

Canon has posted a firmware update for

its EOS 7D digital SLR

Pentax has announced the Optio RS1500

compact camera with interchangeable,

user designable covers

Casio and Ricoh have released firmware

updates for the Exilim EX-H20G and

G700SE digital cameras respectively

Hình 1: Minh họa về một hệ thống trích chọn thông tin

Producer Camera

Canon EOS 7D Pentax Optio RS1500 Casio Exilim EX-H20G

Có rất nhiều mức độ cũng như nội dung công việc trích chọn thông tin khác nhau Một số bài toán trích chọn có thể liệt kê như sau:

 Trích chọn là thực thể tên (Named Entity –NE) Một thực thể tên là một thực thể được đặt một tên riêng, ví dụ như “Barack Obama” là một thực thể tên người, “Microsoft Corporation” là thực thể tên công ty/ tổ chức [7, 17]

 Trích chọn thông tin là đi tìm những quan hệ giữa các đối tượng có tên được chỉ định trước Ví dụ: từ một câu “Bill Gates là chủ tịch của Microsoft”, chúng ta muốn hệ thống có thể đưa ra được kết quả: Bill Gates là một tên người, Microsoft là tên một tổ chức và Bill Gates ông chủ của Microsoft Một số quan hệ khác có thể là: quan hệ sát nhập (affiliation); quan hệ vai trò (role); quan hệ về vị trí, địa điểm (location); quan hệ toàn thể-bộ phận (part-whole); quan hệ nhân quả (cause-effect); các mối quan hệ xã hội … giữa các cặp thực thể Ví dụ, câu “George Bush được bầu làm tổng thống của Mỹ.” Thì quan hệ, “George Bush” (Person) là “tổng thống” của “Mỹ”, có thể được rút ra [5]

 Trích chọn sự kiện cho miền dữ liệu tin tức dưới dạng khung mẫu (template) Mỗi khung mẫu bao gồm tập hợp các slot cần được lấp đầy bởi một hoặc nhiều giá trị Những giá trị này có thể bao gồm văn bản thuần túy, các con trỏ trỏ tới các đối tượng khung mẫu khác [4, 9] Ví dụ: “4 Apr Dallas - Early last evening, a tornado swept through northwest Dallas The twister occurred without warning at about 7:15 pm and destroyed two mobile homes The Texaco station at 102 Main St was also severely damaged, but no injuries were reported.” Đoạn văn bản tóm tắt câu chuyện

về thảm họa tự nhiên lốc xoáy, trích chọn các thông tin về ngày và thời gian xảy ra, và thiệt hại tài sản hay thương tích về con người do sự kiện gây ra Hệ thống có thể trích chọn ra khung mẫu sau:

Event: tornado Date: 4/3/97 Time: 19:15 Location: “northwest Dallas”: Texas: USA Damage: “mobile homes” (đối tượng bị thiệt hại – Damaged

Object)

“Texaco station” (đối tượng bị thiệt hại)

 Khai phá quan điểm (opinion mining): trong lĩnh vực này ta cần trích chọn ra các nhận định của người dùng về một đối tượng nào đó [14] Hình 2 chỉ ra một trong các quan điểm mà ta có thể trích ra là thông tin

người dùng nhận thấy “the colors of pictures” được chụp bởi sản phẩm Powershot là “great”

Hình 2: Ví dụ về khai phá quan điểm

 Ngoài ra tùy vào từng ứng dụng cụ thể mà ta có thể cần trích chọn các đối tượng khác trong văn bản, chẳng hạn trích chọn các nguyên nhân dẫn đến một loại bệnh nào đó [10], …

Con người, thời gian, địa điểm, các con số, là những đối tượng cơ bản trong một văn bản dù ở bất kì ngôn ngữ nào Do đó thực thể tên là một đối tượng được quan tâm rất nhiều và ngày càng trở nên quan trọng, nó đang được khai thác và ứng dụng trong nhiều bài toán trong lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing) cũng như khai phá văn bản và khai phá web (Web Mining)

Mục đích chính của bài toán nhận biết các loại thực thể là xác định những đối tượng này từ đó phần nào giúp cho chúng ta trong việc hiểu văn bản 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 Ví dụ về một số ứng dụng của thực thể tên trong lĩnh vực xử lý ngôn ngữ tự nhiên và khai phá dữ liệu văn bản, web là:

 Dịch máy (Machine Translation): khi chúng ta phát hiện ra được một thực thể tên trong một văn bản thì khi dịch sang ngôn ngữ mới ta thường để nguyên thực thể tên đó chứ không dịch [12]

I just bought a Powershot a

few days ago I took some

pictures using the camera

Here are my feelings:

(1) colors are so great even

when flash is used

(2) easy to grip since the body

has a grip handle

Opinion holder (writer) Suject <Powershot>

Evaluation <easy to grip>

Condition <body has a grip handle>

Opinion unit 2

 Tóm tắt văn bản: Khi xác định được nội dung của một văn bản nói về một thực thể tên nào đó thì chúng ta sẽ gán trọng số cao cho các câu có

đề cập đến thực thể tên, cách này có thể làm tăng chất lượng của hệ tóm tắt [11]

 Phân lớp văn bản: khi tìm ra được một thực thể tên thường thuộc một phân lớp văn bản nào đó, thì đó sẽ là một thông tin quan trọng để giúp làm tăng chất lượng của các giải thuật phân lớp Chẳng hạn như tin nói

về tổng thống Obama thường hay xuất hiện ở thể loại tin tức là: Thế giới [15]

 Tìm kiếm thực thể: đây là một hướng phát triển mới của các máy tìm kiếm Khi nhu cầu người dùng tăng cao thì người ta muốn các máy tìm kiếm trở nên thông minh hơn, và người ta mong muốn có một hệ thống tìm kiếm có thể trả về các thực thể người ta cần chứ không phải là các văn bản chứa các thực thể như những máy tìm kiếm hiện tại [13]

 Hệ thống hỏi đáp [16], chẳng hạn giúp trả lời các câu hỏi liên quan đến thực thể như “Ai là người đầu tiên đặt chân lên mặt trăng?”

- Tên lửa được phóng ra từ đâu?

- Ai là chủ nhân và điều khiển tên lửa đó?

- Khối lượng chất nổ trong tên lửa?

- Chất nổ sử dụng là gì?

 Ứng dụng trong phân tích một đối tượng nào đó Ví dụ như trong một tài liệu văn bản mô tả bằng ngôn ngữ tự nhiên, ta có thể tìm hiểu sự di chuyển của các giám đốc điều hành từ vị trí này đến vị trí khác ở các công ty khác nhau dựa vào các thực thể kiểu: Tên nhà điều hành, Tên công ty cũ, Vị trí cũ, Tên công ty mới, Vị trí mới, Ngày chuyển đi Thông tin này có ích trong việc phân tích, chẳng hạn như các phân tích liên kết, trình bày tiến trình thời gian, địa vị, và vẽ đồ thị của xu hướng Ngày nay những thông tin trích chọn cũng được sử dụng để hỗ trợ và tăng cường các loại khác của các ứng dụng xử lý văn bản như các hệ thống truy vấn thông tin, hệ thống hỏi đáp, phân loại văn bản…

 …

Muốn khai thác được thực thể tên vào các bài toán cụ thể thì công việc đầu tiên là phải nhận dạng ra được các thực thể tên có trong văn bản Do đó bài toán nhận dạng thực thể tên (Named Entity Recognition – NER) ngày càng trở nên bài toán mang tính chất rất quan trọng và rất cần làm tăng chất lượng của nó Luận văn tập trung vào bài toán trích chọn thực thể tên và quan hệ của nó trong văn bản

Nhận dạng thực thể có tên là một công việc của xử lý ngôn ngữ tự nhiên trên máy tính, được giới thiệu lần đầu tiên tại hội nghị MUC lần thứ 6 [8], bao gồm các nhiệm vụ: nhân dạng tên người (PERSON), địa danh (LOCATION), tổ chức (organization) (ENAMEX); ngày tháng (date), thời gian (time) (TIME); và

tỷ lệ (percentage), tiền tệ (monetary) (NUMEX) Giờ các thực thể tên được mở rộng hơn như tên các loại bệnh, tên các loại protin, tiêu đề bài báo, tên các cuộc hành trình…

WWW chứa đựng một nguồn thông tin khổng lồ, và cực kỳ phân tán, từ cơ

sở dữ liệu DNA đến danh sách các nhà hàng ưu thích Tuy nhiên dữ liệu rải rác trong hàng ngàn nguồn thông tin với nhiều định dạng khác nhau Nếu các mẩu thông tin này có thể được trích chọn từ WWW và tích hợp vào một dạng có cấu trúc, chúng sẽ tạo thành một nguồn thông tin chưa từng có Nó sẽ bao gồm một thư mục quốc tế lớn nhất của con người, các cơ sở dữ liệu lớn và đa dạng nhất các sản phẩm, và nhiều nguồn tài nguyên hữu ích khác Chúng ta sẽ trích chọn một quan hệ từ hàng nghìn nguồn dữ liệu, để lấy được những mẩu quan hệ trong WWW Nhưng một thực tế là khối lượng thông tin quá lớn, việc trích chọn thủ công là điều không tưởng, bởi ta không chỉ làm việc trên khoảng 10 tài liệu mà phải thực hiện trên hàng nghìn tài liệu Vậy mục đích ở đây là để khai phá các nguồn thông tin và trích chọn các thông tin liên quan từ chúng một cách tự động, hay sự cực tiểu sự can thiệp của con người

Kết quả của việc trích chọn thực thể tên phụ thuộc vào mục đích được xác định trước như tên người, tổ chức, địa điểm, biểu thức của thời đại, số lượng, giá trị tiền tệ, tỷ lệ phần trăm…, người dùng có thể thu lượm được một loạt các tri thức ẩn dưới các thực thể tên đó Ở đây luận văn tập trung vào việc trích chọn tên máy ảnh kĩ thuật số có sử dụng giải thuật học bán giám sát

Thị trường máy ảnh kỹ thuật số hiện có không dưới 10 nhãn hiệu nổi tiếng trên thế giới như Sony, Canon, Fujifilm, Olympus đến Konica, Nikon, Samsung, Pentax Nhiều nhà sản xuất chuyên về công nghệ thông tin cũng tham gia vào thị trường này như Epson, HP cho thấy đây là một thị trường đầy hứa hẹn Cuộc đua giữa các nhà sản xuất vô cùng sôi động thông qua việc liên tục đưa ra thị trường các sản phẩm có kiểu dáng mới, độ phân giải máy cao, giá mềm Cuộc cạnh tranh của các nhà sản xuất vẫn đang tiếp tục gia tăng, đem lại cho người tiêu dùng những sản phẩm có chất lượng ngày càng cao với giá ngày càng thấp Doanh số trên thị trường máy ảnh kỹ thuật số lại bắt đầu có xu hướng tăng lên Nguyên nhân là do đâu? Hàng năm, số lượng các loại máy ảnh mới ra đời ngày càng nhiều, người tiêu dùng đang bắt đầu thay thế những chiếc máy ảnh kỹ thuật số đã cũ của mình Nhiều người thậm chí còn mua những chiếc

máy ảnh thứ hai, thứ ba cho gia đình Điều này đòi hỏi người dùng cần phải luôn luôn cập nhật thông tin mỗi khi muốn mua một loại máy ảnh mới, đồng thời đòi hỏi các nhà kinh doanh phải biết chính xác các thông tin liên quan đến các loại máy ảnh mới để đưa ra các chính sách buôn bán cho phù hợp

Tuy nhiên các thông tin trên mạng rất đa dạng và không có sự phân loại, người dùng dễ bị ngột thở bởi rất nhiều các luồng thông tin và các dạng thông tin, việc lấy ra các thông tin cần thiết cho nhu cầu sử dụng của mình là rất khó khăn Một nhu cầu đơn giản của người dùng là xác định tên máy ảnh này do hãng nào sản xuất từ hàng nghìn các thông tin trên mạng Internet

Một ứng dụng khác của việc trích chọn tên các máy ảnh số là tìm thêm các thông số kỹ thuật liên quan đến từng loại máy ảnh để so sánh, đánh giá sản phẩm giữa các nhà sản xuất Hoặc có thể ứng dụng vào bài toán khai phá quan điểm

CHƯƠNG 2 HỆ THỐNG TRÍCH CHỌN THÔNG TIN

2.1 Xây dựng hệ thống trích chọn thông tin

Có hai hướng tiếp cận: Công nghệ tri thức (Knowledge Engineering) và Huấn luyện tự động (Automation Training)

2.1.1 Công nghệ tri thức

Cần một kỹ sư tri thức (Knowledge Engineer): một người quen thuộc với

hệ thống truy tìm thông tin (Information Retrieval –IR), hình thức hóa các quy tắc cho hệ thống, hoặc tự bản thân hoặc kết hợp với một chuyên gia trong miền ứng dụng này sẽ viết các quy tắc cho các thành phần của hệ thống IR để đánh dấu hoặc trích lọc thông tin sau khi tìm kiếm [5]

Kỹ sư tri thức sẽ phải truy cập đến một kho văn bản có kích thước vừa phải của các miền liên quan Rõ ràng rằng các kỹ năng của kỹ sư tri thức đóng một yếu tố lớn trong mức độ thực hiện cần đạt đến của toàn bộ hệ thống

Ngoài việc đòi hỏi kỹ năng và kiến thức chi tiết của một hệ thống trích chọn thông tin cụ thể, Với cách tiếp cận này thì hệ thống hoạt động theo một chu trình Để xây dựng một hệ thống hoạt động tốt phải luôn luôn có sự tương tác giữa người viết luật và hệ thống cùng với kho ngữ liệu huấn luyện và tập luật luôn luôn được cập nhật để cho hệ thống có thể hoạt động tốt nhất Việc xây dựng một hệ thống thực hiện cao thường là một quá trình lặp đi lặp lại nhiều lần, nhờ vào một tập các quy tắc được viết ra, hệ thống sẽ chạy qua một tập dữ liệu văn bản được huấn luyện và đầu ra được kiểm tra xem nơi nào các quy tắc này được tạo ra Kỹ sư tri thức sau đó tạo ra những cải biến cho các quy tắc và lặp lại quá trình

Ưu điểm: thích hợp với hệ thống làm việc một cách thủ công, phụ thuộc

nhiều vào kỹ năng và kinh nghiệm của người viết ra luật

Nhược điểm: yêu cầu một chu trình kiểm tra và sửa lỗi khá là khó khăn,

phụ thuộc vào rất nhiều nguồn tài nguyên ngôn ngữ như bộ từ điển phù hợp, khả năng của người viết luật Nếu một nhân tố nào bị mất mát, hệ thống có thể trở lên không còn chắc chắn nữa

Thích hợp với những hệ thống có sẵn nguồn tài nguyên về ngôn ngữ (bộ từ điển) và con người (người viết luật), dữ liệu huấn luyện ít hoặc tốn kém, các đặc

tả trích chọn thay đổi nhiều theo thời gian

2.1.2 Huấn luyện tự động

Trong hướng tiếp cận này, chúng ta không cần thiết phải có kiến thức chi tiết về việc hệ thống trích chọn thông tin xem làm việc như thế nào, hay các quy tắc được viết ra sao Chỉ cần thiết phải có một ai đó biết một cách đầy đủ về

miền và công việc này để lấy được kho dữ liệu văn bản, và chú thích những văn bản phù hợp cho thông tin được trích chọn

Các chú thích này sẽ tập trung vào một khía cạnh đặc biệt của quá trình xử

lý của hệ thống Một bộ đoán nhận tên sẽ được huấn luyện bằng việc chú thích kho dữ liệu văn bản cùng với các tên phù hợp với miền liên quan

Sau khi tập dữ liệu huấn luyện phù hợp đã được chú thích, thuật toán huấn luyện được sử dụng, hệ thống sẽ sử dụng kết quả trả về phục vụ cho quá trình phân tích văn bản mới Một cách sử dụng bộ quan hệ huấn luyện khác là để tương tác với người dùng trong suốt quá trình xử lý Người sử dụng được phép chỉ ra liệu rằng các giả thuyết của hệ thống về văn bản có đúng không, nếu không đúng, hệ thống sẽ thay đổi các quy tắc của chính nó để điều tiết thông tin mới [5]

Hướng tiếp cận này bao gồm các hướng tiếp cận nhánh như sau:

- Hệ thống học có giám sát

- Hệ thống học không giám sát

- Hệ thống học bán giám sát

Ưu điểm: nhấn mạnh đến việc tạo dữ liệu huấn luyện Có thể dễ dàng tạo ra

được những chú thích để tạo ra bộ quan hệ huấn luyện Miễn là ai đó quen thuộc với các miền liên quan đều có thể chú thích văn bản, hệ thống có thể được tùy biến đến một miền đặc biệt mà không cần sự can thiệp từ bất kỳ nhà phát triển nào Ví dụ: nhận dạng tên: dễ dàng để tìm được những người có thể viết chú thích để tạo ra một số lượng lớn các dữ liệu huấn luyện

Nhược điểm: Phụ thuộc vào tập huấn luyện Nếu việc chú thích đòi hỏi ở

mức cao hơn trực giác của con người, nghĩa là đòi hỏi một sự phức tạp hay các kiến thức về chuyên môn, thì khó mà tìm ra được các chú thích, và khó có thể tạo ra dữ liệu chú thích đầy đủ cho một tập huấn luyện tốt

Thực tế rằng, việc thu thập tập dữ liệu huấn luyện với chất lượng tốt có khi khá tốn kém, hoặc việc thu thập dữ liệu huấn luyện không tốn kém về mặt thời gian và con người nhưng lại tốn kém trong giai đoạn viết các luật cho hệ thống Thích hợp: với hệ thống không có sẵn tài nguyên về ngôn ngữ và kỹ năng của người viết luật, dữ liệu huấn luyện phong phú và không tốn kém, các bản đặc tả ổn định Nếu bản đặc tả thay đổi theo thời gian, thì hệ thống sẽ chú thích lại tất cả những dữ liệu huấn luyện đã tồn tại bằng những đặc tả mới và sau đó huấn luyện lại Đây là một công việc khá khó khăn

2.2 Các phương pháp trích chọn

Vì các giải thuật dựa trên luật đòi hỏi tri thức của các chuyên gia và khả năng thích ứng với các miền dữ liệu mới là hạn chế, nên luận văn sẽ tập trung

vào các giải thuật học máy Phần này sẽ giới thiệu một số giải thuật học máy

trong trích chọn thông tin

2.2.1 Học có giám sát trích chọn quan hệ

a Giới thiệu:

Một hướng tiếp cận thường sử dụng trong nhiều hệ thống trích chọn có

giam sát là để huấn luyện hệ thống trên một tập tài liệu được gán nhẵn thủ công,

dựa vào đó hệ thống có thể áp dụng các kĩ thuật máy học để sinh ra các mẫu

trích chọn Nhược điểm của phương pháp này là phụ thuộc vào tập dữ liệu được

gán nhãn, bao gồm số lượng lớn các thao tác thủ công để tạo ra nó

Mục tiêu của học có giám sát là tìm hiểu một mô hình để phân loại các thể

hiện một cách tự động Học có giám sát được biết đến nhiều nhất là việc phân

lớp Ví dụ, nếu một người muốn xây dựng một hệ thống giúp ai đó mua một

chiếc ô tô, nó có thể lựa chọn hãng, màu, năm sản xuất như các đặc trưng Hệ

thống phải có một danh sách các ví dụ thể hiện cùng với các giá trị riêng biệt

cho mỗi đặc tính Mỗi thể hiện sẽ được đánh giá bởi một chuyên gia và được

xếp vào một lớp nào đó phục vụ để phân loại các thông tin, với bài toán mua xe

ô tô, các lớp có thể là mua hoặc không mua Với các thể hiện này, nhãn lớp đó

tạo thành một tập huấn luyện để có thể được sử dụng như là đầu vào cho một

chương trình học có giám sát

Học có giám sát có thể được dùng để học các mẫu từ tập huấn luyện (dưới

dạng một tập tài liệu được gán nhãn) mà không cần sự trợ giúp của con người

Tuy nhiên, thành công của hệ thống lại phụ thuộc vào độ tin cậy của dữ liệu

huấn luyện Mặc dù học có giám sát tiết kiệm nhiều thời gian của các chuyên

gia, nhưng chi phí ẩn cho việc gán nhãn của tập huấn luyện thì lại rất lớn

b Hệ thống AutoSlog

AutoSlog [18] là một hệ thống cấu trúc từ điển, sinh ra các mẫu trích chọn

một cách tự động sử dụng các luật heuristic trên một miền chuyên biệt nào đó

AutoSlog sử dụng thuật toán học có giám sát, sử dụng tập tài liệu đã được chú

thích trong đó danh sách các cụm từ cần được trích chọn phải được gán nhãn,

coi đây như đầu vào của thuật toán (Ví dụ, trong miền khủng bố, các cụm danh

từ chỉ thủ phạm, mục tiêu, nạn nhân có thể được gán nhãn)

Ví dụ một câu đã được gán nhãn: “It was officially reported that a policeman

nạn nhân was wounded today when urban guerrillas attacted the guards at a power substation

thủ phạm nạn nhân located in downtown San Salvador.”

địa điểm

Hoạt động của hệ thống AutoSlog được mô tả trong hình 3

Hình 3: Sơ đồ hoạt động của hệ thống AutoSlog

Cho một cụm danh từ đã được gán nhãn và một đoạn văn bản nguồn, AutoSlog đầu tiên sẽ xác định câu chứa cụm danh từ trên Nếu có nhiều hơn một câu và việc chú thích không chỉ ra cái nào là thích hợp thì AutoSlog sẽ lựa chọn câu đầu tiên AutoSlog sẽ gọi bộ phân tích câu được gọi là CIRCUS để xác định các biên mệnh đề và các thành phần ngữ pháp AutoSlog cần duy nhất một phân tích cú pháp nông để nhận diện chủ ngữ, động từ, đối tượng trực tiếp, và các cụm giới từ của mỗi mệnh đề, vì thế bất kì phân tích nào đều có thể được sử dụng AutoSlog sử dụng tập các luật heuristic, tập các luật này được lắp vào cho câu đã xác định ở trên, những luật nào phù hợp sẽ sinh ra các mẫu trích chọn trên cơ sở các từ đặc trưng trong câu Trong hầu hết các trường hợp, họ giả sử rằng động từ quyết định vai trò Các luật nhận dạng vài dạng thức của động từ như chủ động, bị động, nguyên thể Tập các luật heuristics được trình bày trong bảng 1

Ví dụ, có câu “Luke Johnson was killed in Iraq by insurgents.” Giả sử rằng Luke Johnson được gán nhãn như một nạn nhân liên quan, AutoSlog phân tích câu đó

và nhận dạng Luke Johnson như một chủ thể Các luật chủ thể heuristic được kiểm tra và nhận thấy duy nhất luật #1 <subj> passive – verb phù hợp với mệnh đề trên Luật này được so khớp với các từ chuyên dụng trong câu đó để tạo ra mẫu trích chọn <victim> was killed Mẫu này sẽ được sử dụng để trích chọn cụm danh

từ ở bất kì nơi nào mà động từ killed xuất hiện trong cấu trúc bị động và chủ thể của nó sẽ được trích chọn như một nạn nhân

Tương tự, nếu insurgents được gán nhãn là thủ phạm, AutoSlog sẽ sinh ra mẫu was killed by <np> dựa trên luật #12 Mẫu này sẽ sinh ra tất cả các cụm danh

từ đi sau giới từ by và gắn với dạng thức bị động của động từ killed

Mẫu luật heuristic Các mẫu học được từ các luật

1 <subj> passive-verb <victim> was murdered

2 <subj> active-verb <perpetrator> bombed

3 <subj> verb infinitive <perpetrator> attempted to kill

4 <subj> aux noun <victim> was victim

5 Passive-verb <dobj> Killed <victim>

6 Active-verb <dobj> Bombed <target>

7 Infinitive <direct-obj> To kill <victim>

8 Verb infinitive <direct-obj> Tried to attack <target>

9 Gerund <direct-obj> Killing <victim>

10 Noun aux <direct-obj> Fatality was <victim>

11 Noun preposition <noun-phrase> Bomb against <target>

12 Passive-verb preposition <noun-phrase> Killed with <instrument>

13 Active-verb preposition <noun-phrase> Was aimed at <target>

Bảng 1: Các luật của AutoSlog

Tuy nhiên các luật heuristic của AutoSlog không được hoàn hảo, dẫn đến việc tạo ra một số các mẫu không mong muốn Do đó con người phải xem xét lại các mẫu được sinh ra, quyết định xem mẫu nào sẽ được giữ lại để phục vụ cho quá trình trích chọn sau này

2.2.2 Học không giám sát trích chọn quan hệ

a Giới thiệu:

Với số lượng gần như vô hạn của văn bản không có nhãn có thể truy cập vào các trang web và các nguồn khác, các phương pháp học không giám sát có thể khai thác văn bản không được chú thích làm cho nó trở lên có giá trị, giảm bớt chi phi cho việc chú thích, gán nhãn cho tài liệu như ở phương pháp học có giám sát

Hướng tiếp cận cơ bản của học không giám sát bao gồm các bước Thứ nhất, các hệ thống học không giám sát được bắt đầu với một số mẫu hoặc sự kiện đã được gán nhãn Sau đó, hệ thống sẽ tìm kiếm trên tập dữ liệu lớn chưa được chú thích để tìm các mẫu tiềm năng trên cơ sở các mẫu ban đầu Sau khi các mẫu mới được tìm thấy, hệ thống có thể sử dụng chúng để khai phá thêm các sự kiện bổ xung Hệ thống sẽ thêm các sự kiện đó vào tập hạt giống Sau đó,

hệ thống được huấn luyện lại dựa trên tập hạt giống mở rộng mới Quá trình này lặp cho đến khi không còn mẫu nào được tìm thầy nữa

b AutoSlog – TS

AutoSlog – TS [18] là sự mở rộng của AutoSlog, không đòi hỏi việc gán nhãn, tự động sinh các mẫu trích chọn cho mọi cụm danh từ Thay vào đó, AutoSlog TS học từ hai tập văn bản không được gán nhãn: một tập liên quan đến miền quan tâm, một tập không liên quan đến miền Ví dụ, nếu một hệ thống muốn học các mẫu trích chọn cho miền khủng bố, người dùng sẽ cung cấp một tập văn bản mô tả các sự kiện khủng bố và một tập không liên quan các sự kiện khủng bố AutoSlog – TS tạo ra mọi mẫu có thể trong tập văn bản, sau đó tính toán thống kê dựa trên tần xuất xuất hiện của mỗi mẫu trong tập các văn bản liên quan so với tập các văn bản không liên quan Sau đó hệ thống sẽ tạo ra một danh sách xếp hạng các mẫu trích chọn được cùng với số liệu thống kê để chỉ ra mẫu nào hỗ trợ nhiều nhất với miền đang xét

AutoSlog TS sử dụng tập gồm 15 luật heuristic, bao gồm 13 luật của AutoSlog ở bảng 1, cộng thêm 2 mẫu heuritic mới: <subj> active-verb dobj (<perpetrator> attacked embassy); infinitive preposition <noun-phrase > (to sell for

<np>) Hai mẫu thêm vào này được tạo ra cho các miền kinh doanh từ các kinh nghiệm đã có

Hình 4: Sơ đồ hoạt động của hệ thống AutoSlog – TS

Hoạt động của hệ thống AutoSlog được thể hiện trong hình 4

<perpetrator> bombed embassy Giai đoạn này tạo ra một số lượng lớn các mẫu trích chọn, đến hàng chục nghìn mẫu riêng biệt, các mẫu này có khả năng trích chọn mọi cụm danh từ trong tập tài liệu

 Giai đoạn 2: Tiến hành quá trình huấn luyện tập dữ liệu lần 2 sử dụng các mẫu trích chọn mới

Với mỗi mẫu trích chọn được, AutoSlog TS sẽ tính toán hai giá trị tần xuất:

total_freqi là số lần xuất hiện của mẫu thứ I trong toàn bộ tập tài liệu, và

rel_freqi là số lần xuất hiện của mẫu thứ I trong tập tài liệu liên quan Sau đó hệ thống sẽ tính toán giá trị thống kê:

freq total

freq rel

) patterns

| relevant Pr(

i

i i

| relevant Pr(

* ) freq _ rel ( log ) pattern (

F log

Irrelevant Text

The Los Angeles Times reported that Marlon Brando died today in California Marlon Brando died at the UCLA Hospital at the age of 80 Sources claimed that he had been diagnosed with pulmonary fibrosis

 Total_Freq Rel_Freq Prob RlogF Pattern

4 3 0.750 1.189 died in <np>

2 2 1.000 1.000 death of <np>

3 2 0.667 0.667 <subj> claimed

4 2 0.500 0.500 <subj> died

1 0 0.000 0.000 was diagnosed with <np>

1 0 0.000 0.000 <subj> was diagnosed

Những hướng tiếp cận trước đây chủ yếu là học có giám sát Hướng tiếp cận này khó khăn ở chỗ cần phải có ngữ liệu đã được gán nhãn hỗ trợ quá trình học Brin đã đưa ra phương pháp lặp tương hỗ (bootstrapping) cho việc trích chọn quan hệ [3] Kĩ thuật này nhận đầu vào là một tập nhỏ các hạt giống (seed) của một mối quan hệ cụ thể đã được xác định trước, từ đó tiến hành cho học để trích xuất ra một tập các mẫu quan hệ ngữ nghĩa và tiến hành sinh thêm các quan

hệ mới Kết quả thu được là một tập dữ liệu lớn biểu diễn mối quan hệ được quan tâm

Hướng tiếp cận này cần một tập dữ liệu hạt giống nhỏ ban đầu Và nó cũng không rõ ràng trong việc xây dựng tập khởi đầu này như thế nào, chọn lựa dữ liệu ra sao, số lượng bao nhiêu là đủ

Sử dụng phương pháp học bán giám sát, một hệ thống có thể học từ việc pha trộn giữa dữ liệu có gán nhãn và dữ liệu không được gán nhãn Trong nhiều ứng dụng thì đó là một tập nhỏ dữ liệu được gán nhãn cùng với tập lớn dữ liệu không được gán nhãn Không tốt khi sử dụng chỉ một tập nhỏ dữ liệu được gán nhãn để huấn luyện hệ thống bởi tỉ lệ giữa số lượng các ví dụ huấn huận với số lượng các đặc trưng là nhỏ, kết quả huấn luyện sẽ không chính xác Vì thế, hệ thống cần kết hợp giữa dữ liệu có gán nhãn và dữ liệu không gán nhãn trong suốt quá trình huấn luyện để cải thiện việc thực hiện

Hệ thống có thể trích chọn các mẫu từ dữ liệu đã được gán nhãn, và gán nhãn các dữ liệu chưa được chú thích một cách tự động bằng việc sử dụng các mẫu Và kết quả, tất cả các dữ liệu sẽ được gán nhãn trong khi huấn luyện

2.2.3.1 DIPRE: Dual Iterative Pattern Relation Extraction

Segrey Brin đã đưa ra một ý tưởng là rút trích ra các cặp (title, author) của

cuốn sách Đặc điểm của cặp được rút trích này là chúng có quan hệ với nhau – tên sách và tên tác giả viết cuốn sách Ví dụ: cặp (The Comedy of Errors, W.Shakespeare) thể hiện quyển sách The Comedy of Errors do W.Shakespeare viết

Một bộ dữ liệu t, của R xuất hiện một hoặc nhiều lần trong D, là một quan

hệ Ví dụ trong [3], tập quan hệ đích R là bảng chứa các cặp (author, title)

Tính đối ngẫu giữa mẫu và quan hệ: từ một tập các mẫu tốt, ta có thể xây

dựng một tập các bộ quan hệ tốt Ngược lại, chúng ta mong muốn đưa ra một tập các bộ quan hệ tốt, chúng ta có thể xây dựng một tập các mẫu tốt

Giải thuật DIPRE làm việc theo mô tả trong hình 6

Hình 6: Mô hình hoạt động của hệ thống DIPRE

Quy trình rút trích dựa theo thuật toán DIPRE:

1 Lấy R’ là một tập nhỏ của tập quan hệ đích (danh sách 5 quyển sách với

tác giả)

2 O  FindOccurrences(R’; D): thủ tục tìm sự xuất hiện của các cặp quan

hệ hạt giống của R’ trong tập D

Là đoạn văn bản chứa đồng thời tên tác giả và tiêu đề của quyển sách trong văn bản (sự kiện chứa tên tác giả và tên sách)

Với bộ quan hệ tìm được, giữ ngữ cảnh xung quanh tên tác giả và tên sách (url và văn bản xung quanh)

3 P  GenPatterns(O): Sinh các mẫu từ các sự kiện đã tìm được

Initial Seed Tuples Occurrences of Seed Tuples

Generate Extraction Patterns Generate New Seed Tuples

Thủ tục này phải sinh ra các mẫu cho các tập sự kiện cùng với ngữ cảnh tương tự Các mẫu cần phải có tỉ lệ lỗi thấp Tỉ lệ bao phủ càng cao càng tốt

4 R’  MD(p): Tìm kiếm CSDL cho bộ quan hệ phù hợp với bất kỳ mẫu

+ url là url của tài liệu chứa cặp (title, author)

+ Prefix: gồm m ký tự đứng trước author (hoặc title nếu title đứng trước)

+ Middle: là phần văn bản nằm giữa author và title + Suffix: gồm m ký tự đứng sau title (hoặc author)

Ví dụ: Cho cặp quan hệ (Charles Dickens, Great Expectations), trong miền www.books.com có đoạn thể hiện “The famous writer Charles Dickens wrote Great Expectations book” thì tương ứng ta có sự kiện: (The famous writer, Charles Dickens, wrote, Great Expectations, book, true, www.books.com/TopRated)

 Mẫu là một bộ - 5: (order, urlprefix, prefix, middle, suffix)

+ Middle = </B> by + Suffix = (

 Một cặp (title, author) được trích chọn nếu có một URL trên web hợp với urlprefix* và nội dung của nó có chứa đoạn hợp với biểu thức chính quy “*prefix, author, middle, title, suffix*”, đồng thời khi đó biến order = true Biểu thức chinh quy cho author và title lần lượt là:

[A-Z][A-Za-z ,&]5;30[A-Za-z.]

[A-Z0-9][A-Za-z0-9 ,:'#!?;&]4;45[A-Za-z0-9?!]

b Bộ quan hệ ban đầu

Chaos: Making a New Science James Gleick

Great Expectations Clarles Dickens

The Comedy of Errors W Shakespeare

Bảng 2: Năm bộ quan hệ hạt giống của hệ thống DIPRE

c Tìm các sự kiện dựa trên tập bộ quan hệ ban đầu

Ở công đoạn này, hệ thống cần trải qua hai lần lọc fgrep: fgrep author và fgrep title Lần thứ nhất tìm các dòng tương ứng với author hợp lệ, lần thứ hai tìm các dòng tương ứng với Title hợp lệ Sau đó kiểm tra sự phù hợp giữa author

và title này trên một dòng, nhận dạng chúng rồi đưa ra các sự kiện tương ứng

<P><B> Nightfall </B> by Isaac Asimov (1941)

Các sự kiện mô tả theo bộ - 7 được thể hiện trong bảng 3 dưới đây

Title Author Order url Prefix Middle suffix

The Robots

of Dwan

Issac Asimove

&#146;90) Startide

Rising

David Brin

&#146;90) Foundation Isaac

Asimov

F www.scifi.o

rg/bydecade/1950.html

d Sinh ra các mẫu

*Thủ tục sinh ra một mẫu GenOnePattern(O)

1 Xác minh các thành phần order và middle của tất cả các thể hiện có

trùng nhau không Nếu không, không thể sinh ra các mẫu phù hợp với tất cả

chúng Gán giá trị cho outpattern.order và outpattern.middle tương ứng là order

và middle

2 Tìm tiền tố chung dài nhất của tất cả các url Giá trị của

outpattern.urlprefix chính là tiền tố này

3 Outpattern.prefix là giá trị hậu tố chung dài nhất của tất cả các prefix

4 Outpattern.suffix là giá trị tiền tố chung dài nhất của tất cả các suffix Thành phần Order và Middle của các sự kiện phải giống nhau Nếu không

ta không thể sinh ra được mẫu phù hợp với tất cả các sự kiện

Outpattern.order  order Outpattern.middle  middle Outpattern.urlprefix  prefix dài nhất của các url Outpattern.prefix  suffix dài nhất của tất cả các prefix Outpattern.suffix  prefix dài nhất của tất cả các suffix

Ví dụ về thủ tục sinh mẫu được thể hiện trong bảng 4

Tính đặc trưng của mẫu: Một mẫu sinh ra như trên có thể quá chung chung hoặc quá chuyên biệt Chúng ta không quan tâm đến các mẫu quá chuyên biệt vì như vậy sẽ có rất nhiều mẫu được sinh ra, khi kết hợp chúng sẽ tạo ra quá nhiều quyển sách Tuy nhiên một mẫu quá chung chung có khả năng không đưa ra được thực thể là tên sách

Để giải quyết vấn đề này, ta sẽ gắn mỗi mẫu với một độ đo specificity

specificity(p) = |p.middle||p.urlprefix||p.prefix||p.sufix|

trong đó: p.middle, p.urlprefix, p.prefix, p.sufix là middle, urlprefix, prefix, sufix của mẫu p; |s| chỉ độ dài của xâu s

Hệ thống sẽ loại bỏ các mẫu có độ specificity quá thấp, tuy nhiên

specificity(P)n > t với n là số lượng các quyển sách trong các thể hiện tương ứng

với mẫu P (n>1) và t là một ngưỡng nào đó

* Thuật toán sinh nhiều mẫu GenPatterns(O)

1 Nhóm tất các sự kiện o trong O theo trường order và middle Gọi các nhóm này là O 1 , …, O K

2 Với mỗi nhóm O i , p GenOnePattern(O i) Nếu p thoả mãn điều kiện về

độ “riêng biệt” thì đưa ra p Nếu không:

 Nếu tất cả các sự kiện o trong O i có cùng url, ta không thể mở rộng được urlprefix thì loại bỏ O i đó

 Còn không, phân chia các sự kiện o trong O i thành các nhóm nhỏ có

cùng đặc tính url Lặp lại thủ tục trên ở bước 2 cho các nhóm con

đơn giản - hệ thống Snowball, để rút trích cặp quan hệ <Organization,

Location> - tên tổ chức và địa điểm [2] Tại mỗi vòng lặp của quá trình trích

chọn, Snowball đánh giá chất lượng của những mẫu và bộ quan hệ mà không cần sự can thiệp của con người, chỉ giữ lại những mẫu và bộ quan hệ tin cậy nhất cho vòng lặp kế tiếp

Một tập hợp các mục trong bài báo có thể chứa thông tin về vị trí của các trụ sở các tổ chức Nếu chúng ta cần tìm vị trí của các trụ sở này, chúng ta cố gắng sử dụng các kỹ thuật tìm kiếm truyền thống để tìm các tài liệu chứa câu trả lời cho truy vấn của mình Chúng ta sẽ có câu trả lời chính xác hơn nếu chúng ta

có sẵn một bảng danh sách tất cả các cặp tổ chức – vị trí được đề cập trong tập

tài liệu của chúng ta Một bộ <Organization, Location> trong bảng chỉ trụ sở của tổ chức Organization là vị trí Location

Hệ thống Snowball dựa trên ý tưởng DIPRE: trích chọn quan hệ cấu trúc (bảng) từ tập các tài liệu HTML Phương pháp này hoạt động tốt nhất trong môi trường giống như WWW, các bộ quan hệ dạng bảng được trích chọn có xu hướng xuất hiện các ngữ cảnh lặp lại trong tập tài liệu Snowball khai thác các

cấu trúc giảm bớt và vốn có trong tập hợp để trích chọn được quan hệ đích với tập huấn luyện nhỏ nhất từ người dùng, thêm vào đó người dùng có thể cung cấp thêm một biểu thức chính quy mà các thực thể phải phù hợp Snowball tìm các

thể hiện của cặp <Organization, Location> trong các tài liệu văn bản Sau đó

Snowball sẽ kiểm tra ngữ cảnh xung quanh bộ quan hệ ban đầu Ví dụ từ câu

“computer servers at Microsoft’s headquarters in Redmond” để xây dựng lên một mẫu

có dạng <string1>‘s headquarters in <string 2>

Hình 7: Mô hình hoạt động của hệ thống Snowball

Mô hình hoạt động của hệ thống Snowball được thể hiện trong hình 7 Xuất phát từ bộ quan hệ huấn luyện ban đầu, tìm các sự kiện liên quan, sinh các mẫu

và trích chọn bộ quan hệ từ các tài liệu văn bản, đánh giá chất lượng của mẫu và

bộ quan hệ được sinh ra tại mỗi vòng lặp của quá trình trích chọn, chỉ các mẫu

và bộ quan hệ thật sự tin cậy mới được giữ lại cho Snowball dùng cho lần lặp tiếp theo của hệ thống Snowball cũng có thêm chiến lược đánh giá chất lượng của mỗi mẫu và cặp quan hệ, nếu cái nào đủ tin cậy thì mới được sử dụng cho các vòng lặp tiếp theo Việc sinh và lọc các mẫu và bộ quan hệ cải thiện chất lượng của các bảng được trích chọn một cách đáng kể Tuy nhiên Snowball cần đến sự hỗ trợ của NER

Hệ thống Snowball độc đáo với cách biểu diễn pattern mềm dẻo, cộng với

sự hỗ trợ của NER nên có kết quả thu được tốt nhất

Bảng 5: Năm bộ quan hệ hạt giống của hệ thống Snowball

b Tìm các sự kiện liên quan

Dựa vào bộ quan hệ hạt giống ban đầu ta có thể tìm được các sự kiện liên

quan như sau Với mỗi cặp <Organization, Location>, Snowball tìm các mẩu tin

Initial Seed Tuples

Occurrences of Seed Tuples

Tag Entities

Generate Extraction Patterns Generate New Seed Tuples

trong tập các tài liệu chứa Organization và Location xuất hiện gần nhau, phân tích văn bản để kết nối Organization và Location để sinh ra các mẫu

Ví dụ các sự kiện tìm được dựa vào các bộ quan hệ hạt giống được thể hiện trong hình 8

Hình 8: Các sự kiện tìm được dựa vào bộ quan hệ hạt giống

c Gắn các thực thể có tên

Sự cải thiện so với DIPRE là các mẫu Snowball có thêm các thẻ gắn các thực thể được đặt tên Ví dụ từ sự kiện 2 như trên ta có thể đưa ra mẫu có dạng

<Location> - based <Organization> Tuy nhiên mẫu này không phải phù hợp

với bất kỳ cặp chuối ký tự nào được liên kết bởi – based, ví dụ: a producer of apple-based jelly <Location> chỉ phù hợp với những chuỗi được xác định thuộc loại Location <Organization> chỉ phù hợp với những chuỗi được xác định

thuộc loại Organization

Các thực thể trong các tài liệu văn bản được xác định loại tên, hệ thống sẽ

bỏ qua các thực thể không mong muốn, chỉ tập trung vào các mẩu tin chứa thực thể Location và Organization, và phân tích ngữ cảnh bao quanh mỗi cặp của các thực thể như vậy để kiểm tra xem họ được kết nối bởi cụm từ mong muốn và do

Sau khi xác định 2 thực thể tag1 và tag2, Snowball tạo 3 vectơ l S , r S , m S từ

S bằng việc phân tích ngữ cảnh bên trái, phải, giữa xung quanh các thực thể đó Với mỗi vectơ có các từ với trọng số khác không xuất hiện trong ngữ cảnh

tương ứng; l S , r S được giới hạn bởi m từ cách bên trái và phải của mỗi cặp thực

thể (m = 10) Trọng số của mỗi thuật ngữ trong mỗi vectơ là một hàm của tần số xuất hiện của thuật ngữ đó trong ngữ cảnh tương ứng

Thông thường gán các thuật ngữ của vectơ middle cao hơn trọng số của vectơ left và right

VD:

<ORGANIZATION>’s headquarters in <LOCATION>

<LOCATION>-based <ORGANIZATION>

<ORGANIZATION>, <LOCATION>

* Phân cụm các sự kiện tương tự nhau:

ĐN2: Độ đo sự phù hợp Match(t P , t S) giữa hai bộ tP và ts trong đó: t P =< l P ,

t 1 , m P , t 2 , r P > với 2 thẻ t 1 , t 2 và t S = < l s , t 01 , m S , t 02 , r S > với 2 thẻ t 1 ’ và t 2 ’ được

S P S P S P S

P

r r m m l.

l ) t t ( Match

Snowball sinh ra các bộ 5 cho mỗi sự kiện xuất hiện trong tập hợp, sau đó phân cụm các bộ này sử dụng thuật toán phân cụm đơn giản, sử dụng hàm Match phía trên để tính toán sự tương tự giữa các vectơ và ngưỡng  sim Mẫu cuối cùng được sinh ra bằng việc lấy các phần tử đại diện của các cụm Mẫu mới



l S,t1,m S,t2,r S

Ví dụ ta có hai bộ quan hệ trong một cụm như sau:

1 - <{<servers 0.75>, <at 0.75>}, ORGANIZATION, {<’s 0.5> <central

0.5> <headquarters 0.5> <in 0.5>}, LOCATION, {}>

2 - <{<operate 0.75>, <from 0.75>}, ORGANIZATION, {<’s 0.7>

<headquarters 0.7> <in 0.7>}, LOCATION, {}>

Tương ứng ta có mẫu Snowball:

<{}, ORGANIZATION, {<’s 0.7> <headquarters 0.7><in 0.7>, LOCATION, {}>

2.5.2.5 Sinh các bộ quan hệ mới

Sử dụng các mẫu vừa sinh ra, quét trên toàn bộ tập hợp để lấy ra những bộ quan hệ mới Thủ tục sinh bộ quan hệ mới từ các mẫu là:

(2) sim = Match(< l s ; t 1 ; m s ; t 2 ; r s >; p);

if (sim >=  sim)

(3) UpdatePatternSelectivity(p, T C);

if(sim >= Sim Best)

Sim Best = sim;

P Best = p;

if(Sim Best >=  sim)

CandidateTuples[T C ].Patterns[P Best ] = Sim Best;

return CandidateTuples;

Đầu tiên Snowball xác định các câu chứa các thẻ organization và location

Từ những mẩu tin văn bản chứa cặp <o, l>, Snowball sinh ra bộ - 5 t = <l c ; t 1;

m c ; t 2 ; r c > Bộ <o, l> được lấy ra nếu có một mẫu t P mà Match(t, t p) > =  sim với

 sim là ngưỡng tương tự trong cụm

e Đánh giá độ tin cậy của mẫu và bộ quan hệ

Sinh ra các mẫu chất lượng là một thách thức lớn Ví dụ hệ thống có thể

sinh ra mẫu như sau: <{ }, ORGANIZATION, <”, 1 >, LOCATION, {}> từ đoạn

văn bản “Intel, Santa Clara, announced ” Mẫu này phù hợp với bất kì chuỗi nào bao gồm một tổ chức theo sau một dấu phẩy, theo sau là một địa điểm Đánh giá

độ tin cậy confidence của mẫu này, ta có thể thấy mẫu này mà có xu hướng tạo

ra bộ quan hệ sai Do đó ta có thể đánh trọng số cho các mẫu này dựa trên cơ sở tính chọn lọc của chúng, và tin tưởng rằng chúng sẽ tạo ra các bộ quan hệ phù hợp Do đó, một mẫu không có tính chọn lọc sẽ được gắn trọng số thấp Các bộ quan hệ được tạo ra bởi mẫu như vậy sẽ bị loại bỏ, trừ khi họ được hỗ trợ bởi các mẫu chọn lọc khác

Tương tự, một bộ quan hệ không tốt có thể sinh ra các mẫu xa lạ, có thể trả

về các bộ quan hệ sai hơn nhiều trong lần lặp Snowball kế tiếp Để ngăn chặn

điều này, chúng ta phải giữ lại các bộ quan hệ có độ tin cậy confidence cao Độ

tin cậy của một bộ quan hệ là một hàm của tính chọn lọc và số lượng các mẫu sinh ra nó Độ tin tưởng của một bộ quan hệ cao nếu nó được sinh ra bởi vài mẫu có tính chọn lọc tương đối cao

Sau quá trình lọc ban đầu, chúng ta sẽ loại bỏ tất cả các mẫu có độ

supported nhỏ hơn  Sup của bộ quan hệ ban đầu Sau đó chúng ta sẽ cập nhật

confidence của mỗi mẫu trong bước 3 của thuật toán, kiểm tra mỗi mẫu tiền

năng t = <o, l> được sinh bởi mẫu đó Nếu mẫu t’ có độ tin cậy cao các bộ quan

hệ sinh ra trong suốt quá trình lặp trước đó của hệ thống cho cùng một tổ chức o như trong t, thì chính hàm này so sánh vị trí l và l’ Nếu hai vị trí này giống nhau, thì bộ t được xem là một phù hợp positive của mẫu Ngược lại, sự phù hợp

là negative

* ĐN3: Độ tin cậy confidence của một mẫu P là:

)

.(

.)

(

negative P

positive P

positive P

P conf





với P.positive là số lượng các bộ quan hệ phù hợp positive cho mẫu P và

P.negative là số lượng các bộ quan hệ phù hợp negative cho P

MICROSOFT REDMOND

Xét mẫu P = <{}, ORGANIZATION, <”,” 1>, LOCATION, {}> với các sự

kiện phù hợp:

1 - Boeing, Seattle, said… positive

2 - Intel, Santa Clara, cut prices…  positive

3 - invest in Microsoft, New York-based Negative analyst Jane Smith said…  negative

 Mẫu P có độ tin cậy là conf(P) = 0.67

12

2





* ĐN4: Độ tin cậy RlogF của một mẫu P là:

Conf RlogF (P) = Conf(P) log2(P.Positive) Xem xét bộ quan hệ T và tập mẫu P = {P i } được sử dụng để sinh ra T Giả

sử ta biết xác xuất Prob(P i ) cùng với mỗi mẫu P i sinh ra các bộ quan hệ hợp lệ

ob

0

))(Pr1(1)(Pr

Độ đo Conf(P i ) được thiết kế để ước lượng Prob(P i ), xác xuất của mẫu P i

P Conf T

Conf

1

))),()

((1(1

)(

với P = {P i } là tập các mẫu sinh ra T và C i là ngữ cảnh hỗ trợ cùng với sự

kiện của T phù hợp với P i với độ phù hợp Match(C i , P i)

Một bộ quan hệ sẽ có độ tin cậy cao nếu được sinh ra bởi nhiều mẫu Pi có

độ tin cậy cao

Sau khi tính toán độ tin cậy của các bộ quan hệ thích hợp, Snowball sẽ loại

bỏ những bộ quan hệ có độ tin cậy thấp Các bộ quan hệ này có thể gây ra sự nhiễu trong quá trình sinh các mẫu mới, có thể đưa ra những bộ quan hệ không hợp lệ, làm giảm sút sự thực hiện của hệ thống Do đó bộ quan hệ được sử dụng

cho lần lặp tiếp theo là {T / Conf(T) >  t} với là một ngưỡng xác định trước nào

là rất tốn kém, do đó khả năng mở rộng miền ứng dụng là khó khăn

Đối với phương pháp học không giám sát cho khả năng học với lượng dữ liệu lớn hơn và tốc độ nhanh tuy nhiên mô hình học lại phức tạp hơn học có giám sát

Trong khi đó, học bán giám sát được xem như là một phương pháp tối ưu

để giảm thiểu chi phí cũng như tài nguyên xây dựng Phương pháp này kết hợp được ưu điểm, giảm bớt những nhược điểm của phương pháp học có giám sát và học không giám sát