Phân loại văn bản dùng thuật toán Bayes

- Các đặc trưng rời rạc: vector đặc trưng di có thể có nhiều thành phần mang giá trị 0 do có nhiều đặc trưng không xuất hiện trong văn bản di nếu chúng ta tiếp cận theo cách sử dụng giá

LỜI NÓI ĐẦU

Thống kê (toán học) là bộ môn toán học rất quan trọng và có nhiều ứng dụng to lớn trong thực tế, giúp con người rút ra thông tin từ dữ liệu quan sát, nhằm giải quyết các bài toán thực tế trong cuộc sống

Ngày nay , sự bùng nổ thông tin do bị tác động bởi sự xuất hiện của các siêu phương tiện và World Wide Web (WWW) đã làm cho không gian dữ liệu gia tăng thường xuyên, điều này tạo ra một thách thức cho các hệ thống truy vấn thông tin sao cho có hiệu qủa Một trong những khó khăn mà các hệ thống thông tin thường phải gặp đó là tần suất cập nhật của các thông tin qúa lớn Phương thức sử dụng giấy trong giao dịch đang dần được

số hóa, do nhiều tính năng vượt trội mà phương thức này mang lại, như là có thể lưu trữ lâu dài, cập nhật, sửa đổi, tìm kiếm một cách nhanh chóng Do đó số lượng văn bản số hóa ngày nay đang tăng dần theo cấp số nhân, cùng với sự gia tăng của số lượng văn bản, nhu cầu tìm kiếm văn bản cũng tăng theo, khi đó phân loại văn bản tự động là một yêu cầu cấp thiết được đặt ra Phân loại văn bản giúp sẽ giúp chúng ta tìm kiếm thông tin một cách nhanh chóng hơn thay vì phải tìm lần lượt trong từng văn bản, hơn nữa khi mà số lượng văn bản đang gia tăng một cách nhanh chóng thì thao tác tìm lần lượt trong từng văn bản sẽ mất rất nhiều thời gian, công sức và là một công việc nhàm chán và không khả thi Chính vì thế nhu cầu phân loại văn bản tự động là thực sự cần thiết

MỤC LỤC

MỤC LỤC 2

DANH MỤC HÌNH ẢNH 4

DANH MỤC BẢNG BIỂU 5

CHƯƠNG 1: CÁC HƯỚNG TIẾP CẬN PHÂN LOẠI VĂN BẢN 6

1.1 Biểu diễn văn bản 6

1.2 Các phương pháp phân loại văn bản 7

1.2.1 Phương pháp SVM – Support Vector Machine 7

1.2.2 Phương pháp K – Nearest Neighbor ( kNN) 8

1.2.3 Phương pháp Nạve Bayes (NB) 9

1.2.4 Phương pháp Linear Least Square Fit – LLSF 11

1.2.5 Phương pháp Centroid – based vector 12

1.2.6 Kết luận 13

CHƯƠNG 2: CÁC HƯỚNG TIẾP CẬN TÁCH TỪ 15

2.1 Các hướng tiếp cận dựa trên từ 15

2.2 Các hướng tiếp cận dựa trên kí tự 16

CHƯƠNG 3: PHÂN LOẠI VĂN BẢN TIẾNG VIỆT 17

3.1 Tách từ trong văn bản 17

3.2 Xác định từ loại của từ 18

3.3 Loại bỏ các từ tầm thường 18

3.4 Phương pháp trích rút đặc trưng văn bản 19

3.4.1 Các ý tưởng cơ bản 19

3.4.2 Phương pháp truyền thống rút trích đặc trưng văn bản 20

3.4.3 Phương pháp rút trích đặc trưng đề nghị sử dụng 21

CHƯƠNG 4: SỬ DỤNG THUẬT TỐN NAIVE BAYES ĐỂ PHÂN LOẠI VĂN BẢN

23

4.1 Lý do chọn Nạve Bayes 23

4.2 Áp dụng cho bài tốn phân loại văn bản 23

5.2 Phân loại văn bản 29

CHƯƠNG 6: GIAO DIỆN VÀ THỰC NGHIỆM 34

6.2 Cơ sở dữ liệu 34

6.3 Thuật ngữ chuyên ngành 36

6.4 Thiết kế giao diện chương trình 36

DANH MỤC HÌNH ẢNH

DANH MỤC BẢNG BIỂU

CHƯƠNG 1: CÁC HƯỚNG TIẾP CẬN PHÂN LOẠI VĂN BẢN

1.1 Biểu diễn văn bản

Như đã trình bày ở phần trên, bước đầu tiên trong quy trình phân loại văn bản là thao tác chuyển văn bản đang được mô tả duới dạng chuỗi các từ thành một mô hình khác, sao cho phù hợp với các thuật toán phân loại ,thông thường nguời ta thường biểu diễn văn bản bằng mô hình vector Ý tưởng của mô hình này là xem mỗi một văn bản (Di) được biểu diễn theo dạng Di=( ) di i , trong đó i là chỉ số dùng để nhận diện văn bản này

và dilà vector đặc trưng của văn bản Di này, trong đó: di=(wi 1,wi 2, ,win), và n là

số luợng đặc trưng của vector văn bản, wij là trọng số của đặc trưng thứ j, j∈{1,2, ,n}.Một vấn đề cần quan tâm khi biểu diễn văn bản theo vector đặc trưng chính là việc chọn lựa đặc trưng và số chiều cho không gian vector Cần phải chọn bao nhiêu từ , là các

từ nào, phương pháp chọn ra sao ? Đây là câu hỏi chúng ta phải trả lời trong quá trình chuyển văn bản sang thành vector, có nhiều cách tiếp cận khác nhau để trả lời cho câu hỏi này, tiêu biểu là sử dụng phương pháp Information Gain, phương pháp DF – Thresolding hay phương pháp Term Strength Phương pháp Information Gain sử dụng độ đo MI ( Mutual Information) để chọn ra tập từ khóa đặc trưng có độ đo MI cao nhất Tuy nhiên, việc chọn lựa phương pháp nào thì tuỳ thuộc vào độ thích hợp, phù hợp của phương pháp, của độ đo mà phương pháp đó sử dụng so với bài toán mà chúng ta đang xem xét giải quyết, có thể là nếu văn bản là một trang web thì sẽ có phương pháp để chọn lựa đặc trưng khác so với các văn bản loại khác

Các đặc trưng của văn bản khi biểu diễn dưới dạng vector:

- Số nhiều không gian đặc trưng thường lớn

- Các đặc trưng độc lập nhau

- Các đặc trưng rời rạc: vector đặc trưng di có thể có nhiều thành phần mang giá trị 0

do có nhiều đặc trưng không xuất hiện trong văn bản di (nếu chúng ta tiếp cận theo cách

sử dụng giá trị nhị phân 1, 0 để biểu diễn cho việc có xuất hiện hay không một đặc trưng nào đó trong văn bản đang được biểu diễn thành vector), tuy nhiên nếu đơn thuần cách

tiếp cận sử dụng giá trị nhị phân 0, 1 này thì kết qủa phân loại phần nào hạn chế là do có thể đặc trưng đó không có trong văn bản đang xét nhưng trong văn bản đang xét lại có từ khóa khác với từ đặc trưng nhưng có ngữ nghĩa giống với từ đặc trưng này, do đó một cách tiếp cận khác là không sử dụng số nhị phân 0, 1 mà sử dụng giá trị số thực để phần nào giảm bớt sự rời rạc trong vector văn bản.

1.2 Các phương pháp phân loại văn bản

1.2.1 Phương pháp SVM – Support Vector Machine

SVM là phương pháp phân loại rất hiệu qủa được Vapnik giới thiệu năm 1995

Ý tưởng của phương pháp là cho trước một tập huấn luyện được biểu diễn trong không gian vector, trong đó mỗi một văn bản được xem như một điểm trong không gian này Phương pháp này tìm ra một siêu mặt phẳng h quyết định tốt nhất có thể chia các điểm trên không gian này thành hai lớp riêng biệt tương ứng , tạm gọi là lớp + ( cộng ) và lớp – ( trừ) Chất lượng của siêu mặt phẳng này được quyết định bởi một khoảng cách ( được gọi là biên) của điểm dữ liệu gần nhất của mỗi lớp đến mặt phẳng này Khoảng cách biên càng lớn thì càng có sự phân chia tốt các điểm ra thành hai lớp, nghĩa là sẽ đạt được kết qủa phân loại tốt Mục tiêu của thuật toán SVM là tìm được khoảng cách biên lớn nhất để tạo kết qủa phân loại tốt

Hình 1 1: Siêu mặt phẳng h phân chia dữ liệu huấn huyện thành 2 lớp + và –

Có thể nói SVM thực chất là một bài toán tối ưu, mục tiêu của thuật toán là tìm được một không gian H và siêu mặt phẳng quyết định h trên H sao cho sai số khi phân loại là thấp nhất, nghĩa là kết qủa phân loại sẽ cho kết qủa tốt nhất

Phương trình siêu mặt phẳng chứa vector di trong không gian như sau :

0bw.di,w

.disigndi

h

Như thế vector h(di) biểu diễn sự phân lớp của vector di vào hai lớp Gọi Yi mang giá trị +1 hoặc -1, khi đó Yi = +1 văn bản tương ứng với vector di thuộc lớp + và ngược lại nó sẽ thuộc vào lớp - Khi này để có siêu mặt phẳng h ta sẽ giải bài toán sau :

Tìm Min →w

với w→ và b thỏa điều kiện : ∀i∈1,n:yi(sign(di−w+b))≥1

Chúng ta thấy rằng SVM là mặt phẳng quyết định chỉ phụ thuộc vào các vector hỗ trợ có khoảng cách đến mặt phẳng quyết định là 1/wi Khi các điểm khác bị xóa đi thì thuật toán vẫn cho kết qủa giống như ban đầu Chính đặc điểm này làm cho SVM khác với các thuật toán khác như kNN, LLSF, Nnet, NB vì tất cả dữ liệu trong tập huấn luyện đều được dùng để tối ưu hóa kết quả

1.2.2 Phương pháp K – Nearest Neighbor ( kNN)

kNN là phương pháp truyền thống khá nổi tiếng theo hướng tiếp cận thống kê đã được nghiên cứu trong nhiều năm qua kNN được đánh giá là một trong những phương pháp tốt nhất được sử dụng từ những thời kỳ đầu trong nghiên cứu về phân loại văn bản

Ý tưởng của phương pháp này đó là khi cần phân loại một văn bản mới , thuật toán

sẽ xác định khoảng cách (có thể áp dụng các công thức về khoảng cách như Euclide , Cosine , Manhattan , …) của tất cả các văn bản trong tập huấn luyện đến văn bản này để tìm ra k văn bản gần nhất ,gọi là k nearest neighbor – k láng giềng gần nhất , sau đó dùng các khoảng cách này đánh trọng số cho tất cả các chủ đề Khi đó , trọng số của một chủ đề chính là tổng tất cả các khoảng cách ở trên của các văn bản trong k láng giềng có cùng chủ đề , chủ đề nào không xuất hiện trong k láng giềng sẽ có trọng số bằng 0 Sau đó các

chủ đề sẽ được sắp xếp theo giá trị trọng số giảm dần và các chủ đề cĩ trọng số cao sẽ được chọn làm chủ đề của văn bản cần phân loại.

Trọng số của chủ đề c j đối với văn bản x được tính như sau :

,c j b j

d iy.{kNN}

di

d i,xsim

c jx,

sim (x , d) : độ giống nhau giữa văn bản cần phân loại x và văn bản d Chúng ta

cĩ thể sử dụng độ đo cosine để tính khoảng cách :

d ix

d i.x

d i,xcos

d i,x

1.2.3 Phương pháp Nạve Bayes (NB)

Nạve Bayes (NB) là phương pháp phân loại dựa vào xác suất được sử dụng rộng rãi trong lĩnh vực máy học [Mitchell, 1996] [Joachims, 1997] [Jason, 2001], được sử dụng lần đầu tiên trong lĩnh vực phân loại bởi Maron vào năm 1961 [Maron, 1961] sau đĩ trở

nên phổ biến dùng trong nhiều lĩnh vực như trong các cơng cụ tìm kiếm [Rijsbergen et al, 1970], các bộ lọc email [Sahami et al, 1998]…

NB là phương pháp phân loại dựa vào xác suất được sử dụng rộng rãi trong lĩnh vực máy học và nhiều lĩnh vực khác như trong các cơng cụ tìm kiếm , các bộ lọc mail …

Ý tưởng cơ bản của cách tiếp cận này là sử dụng xác suất cĩ điều kiện giữa từ hoặc cụm từ và chủ đề để dự đốn xác suất chủ đề của một văn bản cần phân loại.Điểm quan trọng của phương pháp này chính là ở chỗ giả định rằng sự xuất hiện của tất cả các từ trong văn bản đều độc lập với nhau Như thế NB khơng tận dụng được sự phụ thuộc của nhiều từ vào một chủ đề cụ thể Chính giả định đĩ làm cho việc tính tốn NB hiệu qủa và nhanh chĩng hơn các phương pháp khác với độ phức tạp theo số mũ vì nĩ khơng sử dụng cách kết hợp các từ để đưa ra phán đốn chủ đề

Thuật tốn Nạve Bayes dựa trên định lý Bayes được phát biểu như sau:

Áp dụng trong bài tốn phân loại, các dữ kiện gồm cĩ:

 D: tập dữ liệu huấn luyện đã được vector hĩa dưới dạng

 xác suất là phân lớp i.

 xác suất thuộc tính thứ k mang giá trị xk khi đã biết X thuộc phân lớp i

Các bước thực hiện thuật tốn Nạve Bayes:

Bước 1: Huấn luyện Nạve Bayes (dựa vào tập dữ liệu), tính và

Bước 2: Phân lớp , ta cần tính xác suất thuộc từng phân lớp khi đã biết trước Xnew Xnew được gán vào lớp cĩ xác suất lớn nhất theo cơng thức

Ngồi ra cịn cĩ các phương pháp NB khác cĩ thể kể ra như ML Nạve Bayes, MAP Nạve Bayes, Expected Nạve Bayes Nĩi chung Nạve Bayes là một cơng cụ rất hiệu qủa trong một số trường hợp Kết qủa cĩ thể rất xấu nếu dữ liệu huấn luyện nghèo nàn và các tham số dự đốn (như khơng gian đặc trưng) cĩ chất lượng kém Nhìn chung đây là một thuật tốn phân loại tuyến tính thích hợp trong phân loại văn bản nhiều chủ đề NB cĩ ưu điểm là cài đặt đơn giản, tốc độ thực hiện thuật tốn nhanh, dễ dàng cập nhật dữ liệu huấn luyện mới và cĩ tính độc lập cao với tập huấn luyện

1.2.4 Phương pháp Linear Least Square Fit – LLSF

LLSF là một cách tiếp cận ánh xạ được phát triển bởi Yang và Chute vào năm 1992 Ban đầu LLSF được thử nghiệm trong lĩnh vực xác định từ đồng nghĩa sau đĩ sử dụng trong phân loại vào năm 1994 Các thử nghiệm cho thấy hiệu suất phân loại của LLSF cĩ thể ngang bằng với phương pháp kNN kinh điển

Ý tưởng của LLSF là sử dụng phương pháp hồi quy để học từ tập huấn luyện và các chủ đề cĩ sẵn

Tập huấn luyện được biểu diễn dưới dạng một cặp vector đầu vào và đầu ra như sau:

-Vector đầu vào là một văn bản bao gồm các từ và trọng số.

-Vector đầu ra gồm các chủ đề cùng với trọng số nhị phân của văn bản ứng với vector đầu vào

Giải phương trình các cặp vector đầu vào, đầu ra chúng ta sẽ thu được ma trận đồng hiện của hệ số hồi quy của từ và chủ đề

Phương pháp này sử dụng công thức :

B

minargF

Trong đó :

- A, B là ma trận đại diện tập dữ liệu huấn luyện ( các cột trong ma trận tương ứng

là các vector đầu vào và đầu ra)

- FLS là ma trận kết quả chỉ ra một ánh xạ từ một văn bản bất kỳ vào vector của chủ

đề đã gán trọng số

Nhờ vào việc sắp xếp trọng số của các chủ đề , chúng ta được một danh sách chủ đề

có thể gán cho văn bản cần phân loại Nhờ đặt ngưỡng lên trọng số của các chủ đề mà ta tìm được chủ đề thích hợp cho văn bản đầu vào Hệ thống tự động học các ngưỡng tối ưu cho từng chủ đề, giống với kNN Mặc dù LLSF và kNN khác nhau về mặt thống kê, nhưng chúng ta vẫn tìm thấy điểm chung trong cách làm của hai phương pháp này là quá trình học ngưỡng tối ưu

1.2.5 Phương pháp Centroid – based vector

Là một phương pháp phân loại đơn giản, dễ cài đặt và tốc độ nhanh do có độ phức tạp tuyến tính O(n)

Ý tưởng của cách tiếp cận này là mỗi lớp trong dữ liệu huấn luyện sẽ được biểu diễn bằng một vector trọng tâm Việc xác định lớp của một văn bản bất kỳ sẽ thông qua việc tìm vector trọng tâm nào gần với vector biểu diễn văn bản thứ nhất Lớp của văn bản chính là lớp mà vector trọng tâm đại diện và khoảng cách được xác định theo độ đo cosine

Chúng ta có công thức tính vector trọng tâm của lớp i :

C i

Độ đo khoảng cácg giữa vector x và vector C i :

C i.x

C i.x

C i,x

- x là vector văn bản cần phân loại

- {i} là tập hợp các văn bản thuộc chủ đề Ci

- Chủ đề của vector x là Cx thỏa mãn cos(x, Cx)= arg max (cos(x,Ci))

1.2.6 Kết luận

Các thuật toán phân loại trên từ thuật toán phân loại hai lớp (SVM) đến các thuật toán phân loại đa lớp (kNN) đều có điểm chung là yêu cầu văn bản phải được biểu diễn dưới dạng vector đặc trưng Ngoài ra các thuật toán như kNN, NB, LLSF đều phải sử dụng các ước lượng tham số và ngưỡng tối ưu khi phân loại văn bản, trong khi thuật toán SVM có thể tự xác định các tham số tối ưu này trong qúa trình thực hiện thuật toán Xét

về mặt thời gian, các phương pháp có thời gian huấn luyện khác nhau, các phương pháp kNN, NB, LLSF có thời gian huấn luyện và phân loại văn bản nhanh hơn so với các thuật toán còn lại, đồng thời dễ dàng cài đặt hơn

Một câu hỏi được đặt ra là: “ Để có được một kết quả phân loại đạt kết quả tốt thì cần những yếu tố gì ? ”

Có 3 yếu tố quan trọng tác động đến kết qủa phân loại văn bản :

1) Cần một tập dữ liệu huấn luyện chuẩn và đủ lớn để cho thuật toán học phân loại Nếu chúng ta có được một tập dữ liệu chuẩn và đủ lớn thì qúa trình huấn luyện sẽ tốt và khi đó chúng ta sẽ có kết qủa phân loại tốt sau khi đã được học

2) Các phương pháp trên hầu hết đều sử dụng mô hình vector để biểu diễn văn bản , do đó phương pháp tách từ trong văn bản đóng vai trò quan trọng qúa trình biểu diễn

văn bản bằng vector Yếu tố này rất quan trọng, vì có thể đối với một số ngôn ngữ như tiếng Anh chẳng hạn thì thao tác tách từ trong văn bản đơn giản chỉ là dựa vào các khoảng trắng , tuy nhiên trong các ngôn ngữ đa âm tiết như tiếng Việt và một số ngôn ngữ khác thì sử dụng khoảng trắng khi tách từ là không chính xác, do đó phương pháp tách từ là một yếu tố quan trọng.

3) Thuật toán sử dụng để phân loại phải có thời gian xử lý hợp lý, thời gian này bao gồm: thời gian học, thời gian phân loại văn bản , ngoài ra thuật toán này phải có tính tăng cường (incremental function) nghĩa là không phân loại lại toàn bộ tập văn bản khi thêm một số văn bản mới vào tập dữ liệu mà chỉ phân loại các văn bản mới mà thôi, khi

đó thuật toán phải có khả năng giảm độ nhiễu ( noise ) khi phân loại văn bản

CHƯƠNG 2: CÁC HƯỚNG TIẾP CẬN TÁCH TỪ

2.1 Các hướng tiếp cận dựa trên từ

Hướng tiếp cận dựa trên từ với mục tiêu tách được các từ hoàn chỉnh trong câu Hướng tiếp cận này có thể chia ra theo 3 hướng: dựa trên thống kê (statistics - based), dựa trên từ điển ( dictionary – based) và hydrid ( kết hợp nhiều phương pháp với hy vọng đạt được những ưu điểm của các phương pháp này)

 Hướng tiếp cận dựa trên thống kê: Dựa trên các thông tin như tần số xuất hiện

của từ trong tập huấn luyện ban đầu Hướng tiếp cận này đặc biệt dựa trên tập ngữ liệu huấn luyện, nhờ vậy nên hướng tiếp cận này tỏ ra linh hoạt và hữu dụng trong nhiều lĩnh vực khác nhau

 Hướng tiếp cận dựa trên từ điển: Ý tưởng của hướng tiếp cận này là những cụm

từ được tách ra từ văn bản phải được so khớp với các từ trong từ điển Do đó trong hướng tiếp cận này đòi hỏi từ điển riêng cho từng lĩnh vực quan tâm Hướng tiếp cận “full word / phrase” cần sử dụng một từ điển hoàn chỉnh để có thể tách được đầy đủ các từ hoặc ngữ trong văn bản, trong khi đó hướng tiếp cận thành phần “component” lại sử dụng từ điển thành phần Từ điển thành phần chỉ chứa các thành phần của từ và ngữ như hình vị và các

từ đơn giản Hướng tiếp cận theo từ điển vẫn còn một số hạn chế trong việc tách từ vì thực hiện hoàn toàn dựa vào từ điển Nếu như thực hiện thao tác tách từ bằng cách sử dụng từ điển hoàn chỉnh thì trong thực tế việc xây dựng một bộ từ điển hoàn chỉnh là khó thực hiện vì đòi hỏi nhiều thời gian và công sức Nếu tiếp cận theo hướng sử dụng từ điển thành phần thì sẽ giảm nhẹ hạn chế, khó khăn khi xây dựng từ điển, vì khi đó chúng ta sẽ

sử dụng các hình vị từ và các từ đơn giản và các từ khác để hình thành nên từ, cụm từ hoàn chỉnh

 Hướng tiếp cận theo Hybrid: Với mục đích kết hợp các hướng tiếp cận khác

nhau để thừa hưởng được các ưu điểm của nhiều kỹ thuật và các hướng tiếp cận khác nhau nhằm nâng cao kết qủa Hướng tiếp cận này thường kết hợp giữa hướng dựa trên thống kê và dựa trên từ điển nhằm tận dụng các mặt mạnh của các phương pháp này Tuy

nhiên hướng tiếp cận Hybrid lại mất nhiều thời gian xử lý, không gian đĩa và đòi hỏi nhiều chi phí.

2.2 Các hướng tiếp cận dựa trên kí tự

Trong tiếng việt, hình vị nhỏ nhất là “tiếng” được hình thành bởi nhiều ký tự trong bảng chữ cái Hướng tiếp cận này đơn thuần rút trích ra một số lượng nhất định các tiếng trong văn bản như rút trích từ 1 ký tự (unigram) hay nhiều ký tự (n-gram) và cũng mang lại một số kết qủa nhất định được minh chứng thông qua một số công trình nghiên cứu đã được công bố, như của tác giả Lê An Hà [2003] xây dựng tập ngữ liệu thô 10MB bằng cách sử dụng phương pháp qui hoạch động để cựa đại hóa xác suất xuất hiện của các ngữ.Rồi công trình nghiên cứu của H Nguyễn [2005] làm theo hướng tiếp cận là thay vì

sử dụng ngữ liệu thô, công trình tiếp cận theo hướng xem Internet như một kho ngữ liệu khổng lồ, sau đó tiến hành thống kê và sử dụng thuật giải di truyền để tìm cách tách từ tối

ưu nhất, và một số công trình của một số tác giả khác Khi so sánh kết qủa của tác giả Lê

An Hà và H.Nguyễnt thì thấy công trình của H.Nguyễn cho được kết qủa tốt hơn khi tiến hành tách từ, tuy nhiên thời gian xử lý lâu hơn Ưu điểm nổi bật của hướng tiếp cận dựa trên nhiều ký tự là tính đơn giản, dễ ứng dụng, ngoài ra còn có thuận lợi là ít tốn chi phí cho thao tác tạo chỉ mục và xử lý nhiều câu truy vấn Qua nhiều công trình nghiên cứu của các tác giả đã được công bố, hướng tiếp cận tách từ dựa trên nhiều ký tự, cụ thể là cách tách từ hai ký tự được cho là sự lựa chọn thích hợp

CHƯƠNG 3: PHÂN LOẠI VĂN BẢN TIẾNG VIỆT

3.1 Tách từ trong văn bản

Phương pháp tách tách từ tiếng Việt dựa trên thống kê từ Internet và thuật giải di truyền – IGATEC (Internet and Genetics Algorithm based Text Categorization for Documents in Vietnamese) do H Nguyễn đề xuất năm 2005 như một hướng tiếp cận mới trong tách từ với mục đích phân loại văn bản mà không cần dùng đến một từ điển hay tập ngữ liệu học nào Trong hướng tiếp cận này, tác giả kết hợp giữa thuật toán di truyền với

dữ liệu thống kê được lấy từ Internet

Trong tiếp cận của mình , tác giả đã mô tả hệ thống tách từ gồm các thành phần:

a Online Extractor : Thành phần này có tác dụng lấy thông tin về tần số xuất hiện

của các từ trong văn bản bằng cách sử dụng một search engine nổi tiếng như Google hay Yahoo chẳng hạn Sau đó , tác giả sử dụng các công thức dưới đây để tính toán mức độ phụ thuộc lẫn nhau (mutual information) để làm cơ sở tính fitness cho GA engine

• Tính xác suất các từ xuất hiện trên Internet :

( )

MAX

)w2

&

w1count(

)w2

&

w1p(

MAX

count(w)w

p

=

=

Trong đó : MAX = 4 * 109

count(w) số lượng văn bản trên Internet được tìm thấy có chứa

từ w hoặc cùng chứa w1 và w2 đối với count(w1&w2)

• Tính xác suất độ phụ thuộc của một từ lên một từ khác :

( )w1p

)w2

&

w1p(

)w2

|w1

Thông tin phụ thuộc lẫn nhau (mutual information) của các từ ghép được cấu tạo bởi

n tiếng ( cw = w1w2…wn)

w jp

)wn

MI(cw)

3.2 Xác định từ loại của từ

Để xác định từ loại của từ tiếng Việt , có một công trình khá tốt là VnQTag của nhóm tác giả Nguyễn Thị Minh Huyền VnQTag giúp gán nhãn từ loại tự động cho văn bản tiếng Việt Chương trình VnQTag được nhóm tác giả trên chỉnh sửa lại thành phiên bản dùng cho tiếng Việt từ phần mếm QTAG của nhóm tác giả O Mason, Đại học Bermingham, Anh QTAG là chương trình gán nhãn từ loại tự động dựa vào thống kê tức

là dựa vào xác suất Qua một số thử nghiệm thực tế, VnQTag cho kết quả có độ chính xác khá cao

QTAG là một bộ gán nhãn xác suất độc lập với ngôn ngữ Phương pháp xử lý của QTAG có thể mô tả tổng quát như sau Đầu tiên tiến hành học từ vựng, bộ nhãn từ loại, cùng với xác suất từ vựng và xác suất ngữ cảnh từ một kho ngữ liệu đã được gán nhãn bằng tay Dựa vào những dữ liệu đã học được này, bộ gán nhãn tìm những nhãn có thể được và tần số của nó cho từng từ trong kho dữ liệu mới đã được tách từ Nếu việc tìm kiếm một từ trong danh sách từ vựng đã học thất bại thì tất cả các nhãn sẽ được gán cho

từ đó Cuối cùng, bộ gán nhãn thực hiện bước loại bỏ nhập nhằng bằng cách sử dụng thông tin về xác suất phân bố từ vựng đã được học trước đó

Dữ liệu đầu vào của VnQTag là văn bản đã được tách từ trong từng câu có được từ kết quả của bước tách từ ở phần trên, kết quả đầu ra của chương trình là một từ loại tương ứng sẽ được gán cho từng từ trong văn bản VnQTag sử dụng đồng thời từ điển để liệt kê các từ loại có thể cho một từ, và một kho văn bản mẫu để loại bỏ nhập nhằng

3.3 Loại bỏ các từ tầm thường

Sau khi đã tiến hành tách từ trong văn bản , chúng ta sẽ tiến hành loại bỏ các từ tầm thường (stopword) Trong một văn bản , không phải tất cả các từ đều có ngữ nghĩa tương đương nhau , và không phải tất cả các từ đều dùng để miêu tả nội dung của văn bản Do

đó trong bất kỳ một văn bản nào thì chắc chắn sẽ có những từ mà không mang ngữ nghĩa của văn bản, và các từ như vậy thì được gọi là stopword Và vì vậy chúng ta sẽ loại bỏ các

từ này ra khỏi văn bản Trong các ngôn ngữ tự nhiên thì các mạo từ, giới từ, liên từ là các stopword Ngoài ra cũng có một số động từ, tính từ, phó từ thì cũng được xem như là các stopword Danh sách các từ stopword được liệt kê trong phụ lục

3.4 Phương pháp trích rút đặc trưng văn bản

3.4.1 Các ý tưởng cơ bản

Các phương pháp rút trích thông tin cổ điển thì coi mỗi một văn bản như là tập các

từ khóa và gọi tập các từ khóa này là tập các term Một phần tử trong tập term thì đơn giản là một từ , mà ngữ nghĩa của từ này giúp tạo thành nên nội dung của văn bản Vì vậy , tập term được sử dụng để tạo các chỉ mục và tóm lược nội dung của văn bản

Giả sử cho một tập term của một văn bản nào đó , chúng ta có thể nhận thấy rằng không phải tất cả các từ trong tập term này đều có mức độ quan trọng như nhau trong việc mô tả nội dung văn bản Ví dụ , bây giờ chúng ta xét một tập gồm một trăm ngàn văn bản , giả sử có một từ A nào đó xuất hiện trong một trăm ngàn văn bản này thì chúng

ta có thể khẳng định rằng từ A này không quan trọng và chúng ta sẽ không quan tâm đến

nó , bởi vì chắc chắn là nó sẽ không cho chúng ta biết được về nội dung của các văn bản này Vì vậy từ A sẽ bị loại ra khỏi tập các term ,khi chúng ta xây dựng tập term cho văn bản để miêu tả nội dung ngữ nghĩa của các văn bản này Kết qủa này có được thông qua thao tác xác định trọng số cho mỗi một từ trong tập term của một văn bản

Đặt ki là từ thứ i trong tập term, dj là văn bản j , và wij >= 0 là trọng số của từ ki trong văn bản dj Giá trị của trọng số này thì rất là quan trọng trong việc miêu tả nội dung của văn bản

Đặt t là số luợng các từ trong tập term của hệ thống K = { k1 ,k2 ,k3 …, kt } là tập tất cả các từ trong tập term , trong đó ki là từ thứ i trong tập term Trọng số wij >0 là trọng số của từ ki trong văn bản dj Với mỗi một từ ,nếu nó không xuất hiện trong văn bản thì wij = 0 Do đó , văn bản dj thì được biểu diễn bằng vector dj , trong đó vector dj = {wj1,wj2,wj3,….,wjt }

3.4.2 Phương pháp truyền thống rút trích đặc trưng văn bản

Theo truyền thống , một văn bản D thì được biểu diễn bằng một vector đặc trưng theo dạng (d1,d2,…,dn) , trong đó di là trọng số của đặc trưng thứ i và n là số lượng các đặc

trưng Mỗi một đặc trưng tương ứng với một từ xuất hiện trong tập huấn luyện , sau khi

loại bỏ các stopword ra khỏi các văn bản

Phương pháp 1:

Phương pháp phổ biến nhất để rút trích các đặc trưng là dựa vào tần suất xuất hiện của các từ riêng biệt trong các văn bản Phương pháp này thực hiện thông qua hai bước sau:

 Bước 1 : Loại bỏ các từ chung (ngữ nghĩa của các từ này không ảnh hưởng đến nội

dung của văn bản) ra khỏi văn bản bằng cách sử dụng một từ điển đặc biệt , hoặc là sử dụng danh sách các từ tầm thường ( stopword )

 Bước 2 : Xác định tần suất xuất hiện tfij của các từ Tj còn lại trong mỗi văn bản Di

và đặc biệt là số lần xuất hiện của Tj trong Di Sau đó dựa vào tần suất xuất hiện của các

từ này , chúng ta sẽ tính giá trị trọng số cho các từ Tj này Và n từ Tj có giá trị trọng số lớn nhất sẽ được chọn làm n đặc trưng của văn bản

Phương pháp 2:

Một phương pháp khác để rút trích các đặc trưng của văn bản là sự kết hợp tần suất xuất hiện của từ trong văn bản và tần suất xuất hiện ngược trong văn bản (TF-IDF) Lúc này chúng ta có công thức tính giá trị trọng số cho từ Tj trong văn bản Di , như sau :