KHÓA LUẬN tốt NGHIỆP CHATBOT TIẾNG VIỆT hỗ TRỢ DU LỊCH

Về mặt lý thuyết - Thực nghiệm các giả thuyết về các kỹ thuật xử lý ngôn ngữ tự nhiên, kỹ thuật tính toán độ tương đồng về mặt ngữ nghĩa trong văn bản Tiếng Việt… giúp chatbot hiểu được

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA CÔNG NGHỆ PHẦN MỀM

NGUYỄN TẤN PHÚC

LÊ KHẮC HẬU LINH

KHÓA LUẬN TỐT NGHIỆP CHATBOT TIẾNG VIỆT HỖ TRỢ DU LỊCH

Building a Vietnamese chatbot to support tourism

KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM

TP HỒ CHÍ MINH, 2021

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA CÔNG NGHỆ PHẦN MỀM

NGUYỄN TẤN PHÚC – 16520954

LÊ KHẮC HẬU LINH – 16520664

KHÓA LUẬN TỐT NGHIỆP CHATBOT TIẾNG VIỆT HỖ TRỢ DU LỊCH

Building a Vietnamese chatbot to support tourism

KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM

GIẢNG VIÊN HƯỚNG DẪN TS.HUỲNH NGỌC TÍN

TP HỒ CHÍ MINH, 2021

THÔNG TIN HỘI ĐỒNG CHẤM KHÓA LUẬN TỐT NGHIỆP

Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số ……… ngày ……… của Hiệu trưởng Trường Đại học Công nghệ Thông tin

LỜI CẢM ƠN

Em xin chân thành cảm ơn quý Thầy, Cô trong khoa Công nghệ phần mềm Trường ĐH Công Nghệ Thông Tin đã trang bị cho em kiến thực nền tảng để có thể hoàn thành tốt luận văn này

Cảm ơn các bạn trong lớp đã chia sẻ các kinh nghiệm và đã hỗ trợ trong lúc làm luận văn

Đặc biệt em xin chân thành cảm ơn thầy giáo hướng dẫn TS Huỳnh Ngọc Tín đã hỗ trợ em trong lúc thực hiện luận văn này

Mặc dù đã cố gắng hết khả năng nhưng không thể nào tránh khỏi những thiếu sót Rất mong nhận được sự góp ý quý báu của quý thầy cô để đề tài có thể

hoàn chỉnh hơn

Sinh viên

NGUYỄN TẤN PHÚC LÊ KHẮC HẬU LINH

1.3 Đối tượng và phạm vi nghiên cứu 4

1.5 Ý nghĩa khoa học và thực tiễn của đề tài 5

2.1 Tổng quan về máy học và xử lý ngôn ngữ tự nhiên 7

2.2.4 Các vấn đề cơ bản khi phát triển hệ thống chatbot 42

2.3 Cài đặt thực nghiệm hệ thống chatbot hỗ trợ tư vấn du lịch sài gòn 48

3.2 Hướng phát triển 64

DANH MỤC HÌNH

Hình 2.1: Bộ dữ liệu chữ viết tay 11 Hình 2.2: Mô hình vector biểu diễn văn bản 18 Hình 2.3: Ví dụ mô hình đồ thị khái niệm 21 Hình 2.4: Ví dụ mô hình đồ thị hình sao 22 Hình 2.5: Ví dụ về mô hình đồ thị có hướng, không gán nhãn 23 Hình 2.6: Ví dụ mô hình đồ thị n khoảng cách đơn giản 23 Hình 2.7: Mô hình Cbow và Skip-gram 24 Hình 2.8: Mô hình túi từ phân tán của vectơ đoạn 25 Hình 2.9: Mô hình bộ nhớ phân tán 26 Hình 2.10: Mô hình bộ nhớ phân tán cho việc học vector đoạn 26 Hình 2.11: Xử lý hội thoại giữa chatbot và con người 31 Hình 2.12: ​Hoạt động của chatbot 32 Hình 2.13: Đoạn hội thoại của một chatbot trí tuệ nhân tạo 36 Hình 2.14: Cấu trúc cơ bản của một chatbot sử dụng NLP và công nghệ Machine 39 Hình 2.15: Hệ thống chatbot sử sử dụng phương pháp NLU 40 Hình 2.16: Kiến trúc của hệ thống phân lớp ý định 43 Hình 2.17: Minh hoạ quản lý hội thoại theo mô hình máy trạng thái hữu hạn FSA 46 Hình 2.18: Phần mềm chatbot 49 Hình 2.19:​​Chatbot hỗ trợ tư vấn du lịch 51 Hình 2.20: Mô hình hệ thống chatbot 54 Hình 2.21:​​Các bước thực hiện của giải thuật 56 Hình 2.22: Kết quả thực nghiệm 60

DANH MỤC BẢNG

Bảng 2.1 Biểu diễn văn bản trong mô hình logic 17

TÓM TẮT KHÓA LUẬN

- Tìm hiểu cơ sở lý thuyết học máy

- Tìm hiểu xử lý ngôn ngữ tự nhiên

- Tìm hiểu các phương pháp tạo chatbot

- Xây dựng hệ thống chat bot hỗ trợ hệ thống tư vấn du lịch gồm:

- Tìm kiếm địa điểm du lịch:

- Các trung tâm thương mại

- Các viện bảo tàng

- Các khu chợ

- Khu vui chơi

- Bảo tàng chuyên ngành

- Tìm kiếm địa điểm ăn uống:

- Địa điểm ăn uống gần nhất

- Địa điểm ăn uống ngon nhất

- Văn hóa Sài Gòn

- Phương tiện đi lại

- Quá trình xây dựng gồm các bước sau:

Chương 1 MỞ ĐẦU

Chatbot là một chương trình máy tính hoặc trí thông minh nhân tạo tương tác với con người bằng ngôn ngừ tự nhiên, thực hiện cuộc trò chuyện thông qua một giao diện dưới dạng tin nhắn hoặc âm thanh Thuật ngừ “ChatterBot” ban đầu đượcđặt bới Michacl Mauldin dầu ticn vào năm 1994 Chatbots còn dược gọi là Conversational Agcnts hay Dialog Systems Các chatbots được thiết kế một cách thuyết phục con người cư xử như một đối tác đàm thoại Theo cách tương tác mà chúng tương tác với người dùng, các chatbots thường được chia thành hai loại: âmthanh và tin nhắn Các chatbots dược thiết kế phức tạp dựa trcn nền tảng xừ lý ngôn ngữ tự nhicn, nhưng cũng có nhiều hộ thống khác dơn giản hơn bằng cách quct từ khỏa trong đầu vào, sau dó trá lời với từ khóa phủ họp nhất hoặc mầu từ ngừ tương

tự nhất trong cơ sờ dữ liệu

Hiện nay phần lớn các chatbot đều thực hiện truy cập thông qua các trợ lý

ảo như trợ lý Google và Amazon Alexa, dưới ứng dụng tin nhắn như Facebook Messenger, WeChat hoặc thông qua các ứng dụng và trang vveb cùa các tồ chức riêng lẻ Sự phát triển của trí tuệ nhân tạo tạo điều kiện để chatbot phát triển nhanh chóng và tạo ra một hộ sinh thái chatbot tương tự hệ sinh thải ứng dụng Chatbot được sừ dụng trong rất nhiều công việc như trong việc chăm sóc khách hàng (cung cấp thông tin sàn phẩm, đưa ra các thông tin gợi ý ), quàn lý hàng tồn, sắp xếp lịch, tra cứu dừ liệu y tế, chăm sóc sức khóc Chatbot giúp tối ưu hóa năng suất, giảm thiều chi phí thông qua chăm sóc khách hàng, chăm sóc sức khỏe, dời sốngcon người Chatbot có lợi thố dổ dễ dàng sử dụng bất cứ ngành nghề nào

Du lịch là một trong nhùng ngành kinh tế quan trọng, là một ngành kinh tế tổng hợp có tính liên ngành, liên vùng và xã hội hóa cao Du lịch không những có khả năng tạo ra nguồn thu nhập rất lớn cho xă hội mà còn góp phần thực hiện chính sách mờ cửa, giao lưu văn hóa, thúc đầy sự đồi mới và phát triển nhiều ngành kinh

2

tế khác, dồng thời giải quyết nhiều vấn đề mang tính chất xã hội Sài Gòn, vùng đất được thiên nhiên ưu ái ban tặng nhiều tài nguycn quý, dộc dáo dc phục vụ cho việc phát triển một ngành du lịch với nhiều loại sàn phẩm du lịch, hình thức du lịchphong phú và da dạng Sài Gòn đã xác định “Du lịch là một ngành kinh tế mùi nhọn của tình” Sài Gòn là vùng dất giàu tiềm năng, lợi thế để phát triển du lịch, tuy nhiên du lịch Sài Gòn chưa phát triển tương xứng với tiềm năng vốn có Làm thếnào để du lịch Sài Gòn phát triển đi lên ngày một nhanh và mạnh mẽ, thu hút được lượng khách du lịch đến thăm quan nhiều hơn, nâng cao sức cạnh tranh, nâng cao vị thế du lịch Sài Gòn là một vấn đề quan trọng và cấp thiết cần được đặt ra hiện nay

1.2.2 Nhiệm vụ nghiên cứu

- Tìm hiểu lý thuyết máy học và các thuật toán liên quan đến chatbot

- Tìm hiểu các phương pháp xử lý ngôn ngữ tự nhiên với ngôn ngữ Tiếng Việt

- Tìm hiểu các phương pháp tính toán độ tương tự của văn bản

- Tìm hiểu công nghệ và kỹ thuật thiết kế chatbot

3

1.3 Đối tượng và phạm vi nghiên cứu

1.3.1 Đối tượng nghiên cứu

- Lý thuyết máy học, các thuật toán, phương pháp xây dựng ngôn ngữ tự nhiên với ngôn ngữ Tiếng Việt

- Mã nguồn mở Rasa và kỹ thuật xây dựng chatbot

1.4.1 Nghiên cứu lý thuyết

- Lý thuyết về máy học, các phương pháp biễu diễn văn bản đối sánh văn bản

- Tổng hợp và nghiên cứu các tài liệu liên quan đến chatbot, các thuật toán tối

ưu dùng trong chatbot

- Thu thập, thống kê số liệu từ nguồn dữ liệu về du lịch Sài Gòn

- Xây dựng lịch bản cho chatbot di lịch Sài Gòn

1.4.2 Nghiên cứu thực nghiệm

Cài đặt thực nghiệm chatbot trên tập dữ liệu về du lịch Sài Gòn và phân tích, đánh giá kết quả

4

1.5 Ý nghĩa khoa học và thực tiễn của đề tài

1.5.1 Về mặt lý thuyết

- Thực nghiệm các giả thuyết về các kỹ thuật xử lý ngôn ngữ tự nhiên, kỹ thuật tính toán độ tương đồng về mặt ngữ nghĩa trong văn bản Tiếng Việt… giúp chatbot hiểu được câu đàm thoại khi giao tiếp với con người

- Thực nghiệm các kỹ thuật học máy, khai phá dữ liệu huấn luyện và trang bị khả năng tự học của chatbot

1.5.2 Về mặt thực tiễn

- Khách du lịch giao tiếp với hệ thống chatbot hoạt động tự động trên nền tảng trí tuệ nhân tạo, từng bước đưa Việt Nam bắt kịp và hội nhập theo xu hướng phát triển của công nghiệp 4.0

- Tăng lượng du khách đến với Sài Gòn, nâng cao chất lượng chăm sóc khách

du lịch

Nội dung luận văn được trình bày với các phần chính như sau:

Chương I Mở đầu

Chương II Nội dung luận văn

1 Tổng quan về học máy và xử lý ngôn ngữ tự nhiên

Chương này sẽ trình bày tổng quan về học máy và xử lý ngôn ngữ tự nhiên, các phương pháp biểu diễn văn bản, tính độ tương đồng văn bản, các phương pháp phân loại văn bản, chatbot

5

2 Phân tích và thiết kế chatbot hệ thống chatbot

Nội dung chương 2 sẽ trình bày về mô hình chatbot, phân loại chatbot, các phương pháp xây dựng chatbot, các vấn đề cơ bản khi triển khai xây dựng hệ thống chatbot, xây dựng chatbot trên nền tảng Rasa

3 Cài đặt thực nghiệm hệ thống chatbot hỗ trợ tư vấn du lịch Sài Gòn

Trong chương này mô tả bài toán sử dụng chatbot hỗ trợ tư vấn, phân tích nhu cầu tư vấn, xây dựng dữ liệu thực nghiệm, đề xuất mô hình hệ thống, cài đặt thực nghiệm, phân tích và đánh giá kết quả thực nghiệm

Chương III Kết luận và hướng phát triển

6

Chương 2 NỘI DUNG

có thể ứng dụng việc tự động hóa các hành vi thông minh của máy tính; giúp máy tính

có được những trí tuệ của con người như: biết suy nghĩ và lập luận để giải quyết vấn

đề, biết giao tiếp do hiểu ngôn ngữ, biết nói, biết học và tự thích nghi

b) Quá trình hình thành và phát triển

“Liệu máy tính có khả năng suy nghĩ hay không?” đây là vấn đề được bác học người Anh Alan Turing đưa ra xem xét, ý tưởng xây dựng một chương trình AI xuất hiện lần đầu vào tháng 10/1950 Thực hiện câu trả lời câu hỏi này, ông đã đưa ra khái niệm “phép thử bắt chước” mà sau này người ta gọi là “phép thử Turing” Phép thử được thực hiện dưới dạng một trò chơi Trong đó, có ba đối tượng tham gia tròchơi(gồm hai người và một máy tính) Một người (người thẩm vấn) ngồi trong một phòng kín tách biệt với hai đối tượng còn lại Người này đặt các câu hỏi và nhận các câu trả lời từ người kia (người trả lời thẩm vấn) và từ máy tính Cuối cùng, nếu người thẩm vấn không phân biệt được câu trả lời nào là của người, câu trả lời nào là của máy tính thì lúc đó có thể nói máy tính đã có khả năng “suy nghĩ” giống như người

Tại hội nghị do Marvin Minsky và John McCarthy tổ chức với sự tham dự của vài chục nhà khoa học tại trường Dartmouth (Mỹ) vào năm 1956, tên gọi “ArtificialIntelligence” được công nhận chính thức và được dùng cho đến ngày nay Cũng tại đây, bộ môn nghiên cứu trí tuệ nhân tạo đầu tiên đã được thành lập

7

Những năm sau đó, các nhà khoa học như John McArthy, Marvin Minsky,Allen Newell và Herbert Simon cùng với những cộng sự đã viết nên những chương trình máy tính giải được những bài toán đại số, chứng minh các định lý và nói được tiếng Anh Những thập niên tiếp theo một số nghiên cứu đã chứng minh không thể vượt qua với các công nghệ tại thời điểm đó

Đến thập kỷ 60, 70 Joel Moses viết chương trình toán học Macsyma sử dụng cơ

sở tri thức đầu tiên thành công Marvin Minsky và Seymour Papert đưa ra các chứng minh đầu tiên về giới hạn của các mạng nơron đơn giản

Vào đầu những năm 1980, những nghiên cứu thành công liên quan đến AI như các hệ chuyên gia (expert systems) - một dạng của chương trình AI mô phỏng tri thức

và các kỹ năng phân tích của một hoặc nhiều chuyên gia con người Đến những năm

1990 và đầu thế kỷ 21, AI đã đạt được những thành tựu to lớn nhất, AI được áp dụng trong logic, khai phá dữ liệu, chẩn đoán y học và nhiều lĩnh vực ứng dụng khác trong công nghiệp

Hiện nay, khoa học công nghệ phát triển mạnh mẽ, cùng những bộ dữ liệuphong phú, các công cụ phát triển phần mềm miễn phí hoặc giá rẻ đã hỗ trợ rất nhiều cho các nhà nghiên cứu Từ đó đã thúc đẩy sự phát triển các nghiên cứu về trí tuệ nhân tạo, giúp cho AI thu hút đông đảo các ông lớn như: Facebook, Google, Microsoft tham gia nghiên cứu, phát triển sản phẩm và mở ra kỷ nguyên mới cho trí tuệ nhân tạo

c) Một số ứng dụng

Ngày nay, trí tuệ nhân tạo được ứng dụng theo hai hướng: Thiết kế những máy tính thông minh độc lập với cách suy nghĩ của con người và dùng máy tính để bắt chước quá trình xử lý của con người, một số ứng dụng cơ bản như sau:

Nhận dạng chữ viết: Nhận dạng chữ viết ứng dụng trong lĩnh vực nhận dạngchữ in hoặc chữ viết tay và lưu thành văn bản điện tử Ở Việt Nam, phần mềmVnDOCR do Phòng Nhận dạng & Công nghệ tri thức, Viện Công nghệ Thông tin xây dựng có thể nhận dạng trực tiếp tài liệu bằng cách quét thông qua máy scanner thành các tệp ảnh, chuyển đổi thành các tệp có định dạng *.doc, *.xls, *.txt, *.rtf, giúp người sử dụng không phải gõ lại tài liệu vào máy Tương tự với phần mềm nhận dạng

8

chữ viết trong thư viện, người ta cũng có thể dễ dàng chuyển hàng ngàn đầu sách thành văn bản điện tử một cách nhanh chóng

Nhận dạng tiếng nói: Nhận dạng tiếng nói đóng vai trò quan trọng trong giaotiếp giữa người và máy Nó giúp máy móc hiểu và thực hiện các hiệu lệnh của con người Một ứng dụng trong lĩnh vực này là hãng sản xuất xe hơi BMW (Đức) đang tiến hành phát triển một công nghệ mới cho phép các tài xế có thể soạn email, tin nhắn bằng giọng nói trong khi đang lái xe

Dịch tự động: Dịch tự động là công việc thực hiện dịch một ngôn ngữ sang một hoặc nhiều ngôn ngữ khác, không có sự can thiệp của con người trong quá trình dịch Tuy nhiên, để làm cho máy hiểu được ngôn ngữ là một trong những vấn đề khó nhất của trí tuệ nhân tạo Thí dụ câu: “bà già đi nhanh quá” cũng có nhiều cách hiểu khác nhau: với cách phân tách từ và cụm từ thành bà già/đi/nhanh quá và bà/già đi/nhanh quá thì việc dịch câu kiểu như thế này từ tiếng Việt sang tiếng Anh đòi hỏi máy không những phải hiểu đúng nghĩa câu tiếng Việt mà còn phải tạo ra được câu tiếng Anh tương ứng Do đó đây vẫn là ứng dụng phức tạp

Tìm kiếm thông tin: Thông tin trên mạng hàng ngày được gia tăng theo cấp số nhân Việc tìm kiếm thông tin mà người dùng quan tâm bây giờ là tìm đúng thông tin mình cần và phải đáng tin cậy Theo thống kê, có đến hơn 90% số lượng người Việt Nam lên mạng internet để thực hiện việc tìm kiếm thông tin Các máy tìm kiếm (search engine) hiện nay chủ yếu thực hiện tìm kiếm dựa theo từ khóa Thí dụ, Google hay Yahoo chỉ phân tích nội dung một cách đơn giản dựa trên tần suất của từ khoá, thứ hạng của trang và một số tiêu chí đánh giá khác Kết quả là rất nhiều tìm kiếm không nhận được câu trả lời phù hợp, thậm chí bị dẫn tới một liên kết không liên quan gì do thủ thuật đánh lừa nhằm giới thiệu sản phẩm hoặc lại nhận được quá nhiều tài liệukhông phải thứ ta mong muốn, trong khi đó lại không tìm ra tài liệu cần tìm

Khai phá dữ liệu và phát hiện tri thức: Đây là lĩnh vực cho phép xử lý từ rất nhiều dữ liệu khác nhau để phát hiện ra tri thức mới Ngoài ra, ứng dụng trong lĩnh vực này cũng cần phải biết trả lời câu hỏi của người sử dụng chúng từ việc tổng hợp

dữ liệu thay vì máy móc chỉ đáp trả những gì có sẵn trong bộ nhớ Thực tế để làm được điều này rất khó, nó gần như là mô phỏng quá trình học tập, khám phá khoa học

9

của con người Ngoài ra, dữ liệu thường có số lượng rất lớn, với nhiều kiểu (số, văn

bản, hình ảnh, âm thanh, video ) và không ngừng thay đổi Để tìm ra tri thức thì các

chương trình phải đối mặt với vấn đề độ phức tạp tính toán Đây là lĩnh vực vẫn còn

đang trong giai đoạn đầu phát triển Lái xe tự động: Theo Sebastian Thrun, Giáo sư ngành máy tính và kỹ thuật điện

của Đại học Carnegie Mellon: ưu điểm lớn nhất của xe tự lái là khả năng loại bỏ sai

sót của con người - nguyên nhân dẫn đến 95% số vụ tử vong mỗi năm tại Mỹ do tai

nạn giao thông “Chúng tôi có thể giảm bớt 50% số vụ tai nạn do nguyên nhân này”,

ông Sebastian Thrun khẳng định Chế tạo được ôtô tự lái và an toàn cao cũng là một

mục tiêu được Cục nghiên cứu các dự án công nghệ cao Bộ quốc phòng Mỹ DARPA

(Defense Advanced Research Projects Agency) khởi xướng và hỗ trợ dưới dạng một

cuộc thi mang tên “thách thức lớn của DARPA” (DARPA grand challenge) Chúng ta

hy vọng sẽ đến một ngày, những chiếc ôtô chạy trên đường không cần người lái Chỉ

nói nơi muốn đến, xe sẽ đưa ta đi và đi an toàn Robot: Nhiều đề án nghiên cứu về robot thông minh và các lĩnh vực liên quan

được ứng dụng trong đời sống Các đề án này hướng đến các sáng tạo công nghệ có

nhiều ý nghĩa trong văn hóa, xã hội và công nghiệp, đòi hỏi phải tích hợp nhiều công

nghệ, như nguyên lý các tác tử, biểu diễn tri thức về không gian, nhận biết chiến lược,

lập luận thời gian thực, nhận dạng và xử lý các chuỗi hình ảnh liên tục trong thời gian

thực Một trong những ứng dụng đó là đề án RoboCup: tổ chức thi đấu bóng đá giữa

các đội robot 2.1.1.2 Máy học a) Các phương pháp máy học Học máy (Machine learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến

việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ

liệu để giải quyết những vấn đề cụ thể Ví dụ như các máy có thể "học" cách phân loại

thư điện tử xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục

tương ứng Học máy rất gần với suy diễn thống kê (statistical inference) tuy có khác nhau về thuật ngữ

10

Hiện nay có hai cách phổ biến để phân nhóm các thuật toán học máy Đó là dựa

trên phương thức học (learning style) và dựa trên chức năng (function) của mỗi thuật

toán Các thuật toán học máy theo phương thức học được chia làm 4 nhóm: Học có

giám sát, học không giám sát, học bán giám sát, học củng cố - Học có giám sát (Supervised Learning): Là thuật toán dự đoán đầu ra (outcome)

của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước

Cặp dữ liệu này còn được gọi là (dữ liệu, nhãn) Học có giám sát là nhóm phổ biến

nhất trong các thuật toán học máy Phát biểu dưới dạng toán học, học giám sát là khi

chúng ta có một tập hợp biến đầu vào X={x​ 1​,x​0​,…,x​N​} và một tập hợp nhãn tương ứng

Y={y​1​,y​2​,…,y​N​}, trong đó x​i​,y​i là các vector Các cặp dữ liệu biết được gọi là tập dữ

liệu huấn luyện (training data) Từ tập dữ liệu huấn luyện này, chúng ta cần tạo ra một

hàm số ánh xạ mỗi phần tử từ tập X sang một phần tử (xấp xỉ) tương ứng của tập Y

Mục đích là xấp xỉ hàm số f thật tốt để khi có một dữ liệu x mới, chúng ta có thể tính

được nhãn tương ứng của nó y ​ ​f ​(​x​) Ví dụ: Trong lĩnh vực nhận dạng chữ viết tay, ở Hình 1.1 dưới đây là tập bộ chữ

số mỗi chữ số được viết bởi nhiều người khác nhau Bức ảnh này khi được đưa vào

trong một thuật toán và chỉ cho nó biết mỗi bức ảnh tương ứng với chữ số nào Sau khi

thuật toán tạo ra một mô hình, tức một hàm số mà đầu vào là một bức ảnh và đầu ra là

một chữ số, khi nhận được một bức ảnh mới mà mô hình chưa nhìn thấy bao giờ, nó sẽ

dự đoán bức ảnh đó chứa chữ số nào

11

Hình 2.1: Bộ dữ liệu chữ viết tay Thuật toán học có giám sát được chia thành hai loại là phân loại (classification)

và hồi quy (regression) Một bài toán được gọi là ​phân loại ​nếu các nhãn của dữ liệu vào được chia thành một số hữu hạn nhóm Ví dụ: công cụ xác định xem một email có phải là thư rác hay không của Gmail; xác định xem một khách hàng có khả năng thanh toán nợ hay không trong các hãng tín dụng Còn ​hồi quy ​thì nhãn không được chia

thành các nhóm mà là một giá trị cụ thể ​Ví dụ: một khu đất có diện tích là ​x​m​2, có​y căn nhà, các xa trung tâm thị trấn z ​km sẽ có giá bao nhiêu?

- Học không giám sát ( Unsupervised Learning): Trong thuật toán này chỉ có dữ liệu đầu vào mà không biết được đầu ra hoặc nhãn Thuật toán này sẽ dựa vào cấu trúc

dữ liệu để thực hiện một công việc nào đó, ví dụ như phân nhóm (clustering) hoặc giảm số chiều của dữ liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính toán Phát biểu dưới dạng toán học, học không giám sát là khi chúng ta chỉ có dữ

liệu vào X ​mà không biết nhãn Y ​tương ứng

Ví dụ: Xây dựng tham số “k-mean” cho vấn đề chia nhóm Thuật toán Apriori cho các vấn đề liên quan đến việc học tập quy tắc

Các bài toán học không giám sát tiếp tục được chia thành hai loại phân nhóm(clustering) và kết hợp (association) Phân nhóm của một bài toán phân nhóm toàn bộ

dữ liệu X thành các nhóm nhỏ dựa trên sự liên quan giữa các dữ liệu trong mỗi nhóm

Ví dụ: phân nhóm khách hàng dựa trên hành vi mua hàng Kết hợp là bài toán khi chúng ta muốn khám phá ra một quy luật dựa trên nhiều dữ liệu cho trước Ví dụ: chẳng hạn như những người mua A cũng có khuynh hướng mua B

- Học bán giám sát (Semi-Supervised Learning): Các bài toán khi chúng ta

có một lượng lớn dữ liệu X nhưng chỉ một phần trong chúng được gán nhãn được gọi

là học bán giám sát Những bài toán thuộc nhóm này nằm giữa hai nhóm học giám sát

và học không giám sát Trong thực tế các bài toán học máy thuộc học bán giám sát thì việc thu thập dữ liệu có chi phí cao và tốn nhiều thời gian Ngoài ra có những loại dữ liệu chỉ có chuyên gia mới gán nhãn được (như ảnh y học), cũng có những loại dữ liệu chưa có nhãn có thể thu thập với chi phí thấp từ internet

12

Ví dụ: Chúng ta đã lưu trữ được là một kho ảnh nhưng chỉ có một phần ánh được gán nhãn (như bức ảnh về người, động vật) và phần ảnh còn lại không được ghi nhãn

- Học củng cố (Reinforcement Learning): Là các bài toán giúp cho một hệ thống tự động xác định hành vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất Hiện tại, học củng cố chủ yếu được áp dụng vào lý thuyết trò chơi (Game Theory), các thuật toán cần xác định nước đi tiếp theo để đạt được điểm số cao nhất Ví dụ: huấn luyện cho máy tính chơi game Mario là một dạng học củng cố

Máy tìm kiếm: Như Google, Bing, Youtube các hệ thống này sử dụng các công

cụ của học máy để phát triển hệ thống tìm kiếm

Tin sinh học: Trong lĩnh vực tin sinh học chuyên nghiên cứu về việc phát triển các giải thuật, lý thuyết và các kĩ thuật thống kê và tính toán để giải quyết các bài toán bắt nguồn từ nhu cầu quản lý và phân tích dữ liệu sinh học, phân loại và dự đoán chuỗi gene, dự đoán tính chất của thuốc mới

Nhận dạng mẫu (Patten recognition): Các ứng dụng phổ biến là nhận dạng tiếng nói tự động, phân loại văn bản thành nhiều loại khác nhau (ví dụ: những thư điện tử nào là spam/non-spam), nhận dạng tự động các mã bưu điện viết tay trên các bao thư, hay hệ thống nhận dạng danh tính dựa vào mặt người

Chẩn đoán trong y tế: Công nghệ học máy giúp các chuyên gia y tế xác định những xu hướng hoặc tín hiệu để cải thiện khả năng điều trị, chẩn đoán bệnh, trợ giúp phân tích ảnh X – quang

13

Các dịch vụ tài chính: Ngân hàng và các doanh nghiệp hoạt động trong lĩnh vực tài chính sử dụng công nghệ học máy nhằm tìm khách hàng đang có hồ sơ rủi ro cao hoặc sử dụng giám sát mạng để chỉ rõ những tín hiệu lừa đảo, gian lận thẻ tín dụng

Phân tích thị trường chứng khoán (stock market analysis): Sử dụng các kỹ thuật toán học máy tiên tiến như mạng nơron nhân tạo (ANN), máy vector hỗ trợ (SVM) vào bài toán dự báo chứng khoán dựa trên tập dữ liệu lịch sử giá

Trò chơi: Chơi cờ (Deep blue, IBM, 1998), Deep Blue là một máy tính chơi cờ vua do IBM phát triển Nó được biết đến như là hệ thống cờ vua máy tính đầu tiên giành được cả một trò chơi cờ vua và một trận đấu cờ vua chống lại nhà vô địch thế giới trị vì dưới sự kiểm soát thời gian thông thường

Người máy (robot): Là tổng hợp của rất nhiều ngành khoa học, trong đó họcmáy tạo nên hệ thần kinh/bộ não của người máy

2.1.2 Xử lý ngôn ngữ tự nhiên

2.1.2.1 Tổng quan xử lý ngôn ngữ tự nhiên

Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) là một nhánh của trí tuệ nhân tạo được tập trung vào các ứng dụng trên ngôn ngữ của con người Trong trí tuệ nhân tạo thì xử lý ngôn ngữ tự nhiên là một trong những phần khó nhất vì

nó liên quan đến hiểu ngôn ngữ công cụ hoàn hảo nhất của tư duy và giao tiếp

Xử lý ngôn ngữ chính là xử lý thông tin khi thông tin đầu vào là “dữ liệu ngôn ngữ” (dữ liệu cần biến đổi), tức dữ liệu “văn bản” hay “tiếng nói” Các dữ liệu liên quan đến ngôn ngữ viết (văn bản) và nói (tiếng nói) đang dần trở thành kiểu dữ liệu chính con người và lưu trữ dưới dạng điện tử Đặc điểm chính của kiểu dữ liệu này là không có cấu trúc hoặc nửa bán cấu trúc và chúng ta không thể lưu trữ trong các khuôn dạng cố định như các bảng biểu

2.1.2.2 Các bài toán cơ bản trong xử lý ngôn ngữ tự nhiên

Xử lý ngôn ngữ tự nhiên bao gồm hiểu ngôn ngữ tự nhiên và sinh ngôn ngữ tự nhiên Trong đó, hiểu ngôn ngữ tự nhiên (NLU) bao gồm 4 bước chính sau đây:

14

Phân tích hình vị: Là sự nhận biết, phân tích, và miêu tả cấu trúc của những hình vị trong một ngôn ngữ cho trước và các đơn vị ngôn ngữ khác, như từ gốc, biên

từ, phụ tố, từ loại,… Có hai loại bài toán điển hình trong phần này, bao gồm bài toán tách từ (word segmentation) và gán nhãn từ loại (POS)

Phân tích cú pháp: Là quy trình phân tích một chuỗi các biểu tượng, ở dạng ngôn ngữ tự nhiên hoặc ngôn ngữ máy tính, tuân theo văn phạm hình thức Văn phạm hình thức thường dùng trong phân tích cú pháp của ngôn ngữ tự nhiên bao gồm văn phạm phi ngữ cảnh (Context-free grammar–CFG), văn phạm danh mục kết nối(Combinatory categorial grammar–CCG), và văn phạm phụ thuộc (Dependencygrammar–DG) Đầu vào của quá trình phân tích là một câu gồm một chuỗi từ và nhãn

từ loại của chúng, và đầu ra là một cây phân tích thể hiện cấu trúc cú pháp của câu đó Các thuật toán phân tích cú pháp phổ biến bao gồm CKY, Earley, Chart và GLR

Phân tích ngữ nghĩa: Là quá trình liên hệ cấu trúc ngữ nghĩa, từ cấp độ cụm từ, mệnh đề, câu và đoạn đến cấp độ toàn bài viết, với ý nghĩa độc lập của chúng Nói cách khác, việc này nhằm tìm ra ngữ nghĩa của đầu vào ngôn từ Phân tích ngữ nghĩa bao gồm hai mức độ: Ngữ nghĩa từ vựng biểu hiện các ý nghĩa của những từ thành phần, và phân biệt nghĩa của từ; Ngữ nghĩa thành phần liên quan đến cách thức các từ liên kết để hình thành những nghĩa rộng hơn

Phân tích diễn ngôn: Ngữ dụng học là môn nghiên cứu về mối quan hệ giữa ngôn ngữ và ngữ cảnh sử dụng Ngữ cảnh sử dụng bao gồm danh tính của người hoặc vật, và vì thế ngữ dụng học bao gồm những nghiên cứu về cách ngôn ngữ được dùng

để đề cập (hoặc tái đề cập) tới người hoặc vật Ngữ cảnh sử dụng bao gồm ngữ cảnh diễn ngôn, vì vậy ngữ dụng học cũng bao gồm những nghiên cứu về cách thức cấu tạo nên diễn ngôn, và cách người nghe hiểu người đang đối thoại với mình

Khía cạnh thứ hai của NLP là sinh ngôn ngữ tự nhiên (NLG) Đây là một nhiệm

vụ trong quá trình xử lý ngôn ngữ tự nhiên trong việc sinh ra ngôn ngữ tự nhiên từ một

hệ thống máy biểu diễn như một cơ sở tri thức hoặc một dạng biểu diễn logic NLG đóng vai trò quan trọng trong rất nhiều ứng dụng NLP, bao gồm sinh hội thoại, tươngtác người – máy, dịch thuật máy, và tóm tắt văn bản tự động

15

2.1.2.3 Ứng dụng của xử lý ngôn ngữ tự nhiên

Xử lý ngôn ngữ tự nhiên có vai trò hết sức quan trọng trong ngành khoa học máy tính Xử lý ngôn ngữ tự nhiên có rất nhiều ứng dụng hữu ích trong cuộc sống cũng như cơ sở cho các nghiên cứu trong các lĩnh vực khác Sau đây là một vài ứng dụng của xử lý ngôn ngữ tự nhiên :

Nhận dạng chữ viết: Có hai kiểu nhận dạng, thứ nhất là nhận dạng chữ in, ví dụ nhận dạng chữ trên sách giáo khoa rồi chuyển nó thành dạng văn bản Phức tạp hơn là nhận dạng chữ viết tay, có khó khăn bởi vì chữ viết tay không có khuôn dạng rõ ràng và thay đổi từ người này sang người khác Với chương trình nhạn dạng chữ viết in có thể chuyển hàng ngàn đầu sách trong thư viện thành văn bản điện tử trong thời gian ngắn Nhận dạng chữ viết của con người có ứng dụng trong khoa học hình sự và bảo mật thông tin (nhận dạng chữ ký điện tử)

Nhận dạng tiếng nói: Nhận dạng tiếng nói rồi chuyển chúng thành văn bản tương ứng Giúp thao tác của con người trên các thiết bị nhanh hơn và đơn giản hơn Đây cũng

là bước đầu tiên cần phải thực hiện trong thực hiện giao tiếp giữa con người với robot Một ví dụ của ứng dụng nhận dạng tiếng nói là trợ giúp người khiếm thị

Tổng hợp tiếng nói: Từ một văn bản tự động tổng hợp thành tiếng nói Thay vì phải tự đọc một cuốn sách hay nội dung một trang web, nó tự động đọc cho chúng ta Giống như nhận dạng tiếng nói, tổng hợp tiếng nói là sự trợ giúp tốt cho người khiếm thị, nhưng ngược lại nó là bước cuối cùng trong giao tiếp giữa robot với người

Dịch tự động (Machine translate): là chương trình dịch tự động từ ngôn ngữ này sang ngôn ngữ khác Các nghiên cứu và ứng dụng của dịch tự động hiện nay rất phát triển, các ứng dụng có độ chính xác cao

Tìm kiếm thông tin (Information retrieval): Đặt câu hỏi và chương trình tự tìm ra nội dung phù hợp nhất Thông tin ngày càng đầy lên theo cấp số nhân, đặc biệt với sự trợ giúp của internet, việc tiếp cận thông tin trở lên dễ dàng hơn bao giờ hết Vấn đề là tìm đúng nhất thông tin cần tìm và đặc biệt thông tin đó phải đáng tin cậy Các máy tìm kiếm dựa trên giao diện web như Google hay Yahoo hiện nay chỉ phân tích nội dung rất đơn giản là chỉ dựa trên tần suất của từ khoá, thứ hạng của trang và một số tiêu chí đánh giá khác để đưa ra kết luận Kết quả là rất nhiều tìm kiếm không nhận được câu trả lời

16

phù hợp, thậm chí bị dẫn tới một liên kết không liên quan do thủ thuật đánh lừa của các trang web nhằm giới thiệu sản phẩm (kỹ thuật SEO - Search Engine Optimization) Thực

tế cho đến nay chưa có máy tìm kiếm nào hiểu được ngôn ngữ tự nhiên của con người trừ trang www.ask.com ​được đánh giá là "hiểu" được những câu hỏi có cấu trúc ở dạng đơn giản nhất

17

18

- Tóm tắt văn bản: Từ một văn bản dài được tóm tắt thành một văn bản ngắn hơn nhưng vẫn chứa những nội dung thiết yếu nhất

- Khai phá dữ liệu và phát hiện tri thức: là phát hiện ra tri thức mới từ rất nhiều tài liệu khác nhau Khai phá dữ liệu là mô phỏng quá trình học tập, khai phá thông tin có ích của con người Ở mức độ đơn giản khi kết hợp với máy tìm kiếm nó cho phép đặt câu hỏi để từ đó công cụ tìm kiếm tự tìm ra câu trả lời thích hợp nhất

2.1.3 Các phương pháp biểu diễn văn bản

2.1.3.1 Mô hình biểu diễn văn bản truyền thống

a) Mô hình logic

Theo mô hình này các từ có nghĩa trong văn bản sẽ được đánh chỉ số và nội dung văn bản được quản lý theo các chỉ số index đó Mỗi văn bản được đánh chỉ số theo quy tắc liệt kê các từ có nghĩa trong các văn bản với trị trí xuất hiện của nó trong văn bản Từ có nghĩa là từ mang thông tin chính về các văn bản lưu trữ, khi nhìn nó người ta người ta có thể biết chủ thể của văn bản cần biểu diễn

Ví dụ: Ta có 2 văn bản với mã tương ứng là VB1, VB2 “Cộng hòa xã hội chủ nghĩa Việt Nam” (VB1) “Việt nam dân chủ cộng hòa” (VB2)

Khi đó ta có cách biểu diễn như sau

Bảng 2.1 Biểu diễn văn bản trong mô hình logic

19

Cộng VB1(1),VB2(5) Hòa VB1(2), VB2(5)

Xã VB1(3) Hội VB1(4) Chủ VB1(5),VB2(4) Nghĩa VB1(6)

Việt VB1(7), VB2(1)

Khi biểu diễn văn bản theo mô hình này, người ta các tìm kiếm sau: Câu hỏi tìm kiếm được đưa ra dưới dạng logic gồm một tập các phép toán (And, Or,…) thực hiện trên các từ hoặc cụm từ, việc tìm kiếm dựa vào bảng Index đã tạo ra và kết quả lại là các văn bản thảo mãn điều kiện trên

b) Mô hình vector

Mô hình vector là một trong những mô hình đơn giản và thường được sử dụng trong phần lớn các bài toán xử lý dữ liệu văn bản Theo mô hình này, mỗi văn bản được biểu diễn thành một vector, mỗi thành phần của vector là một từ khóa trong tập văn bản gốc và được gán một giá trị trọng số xác định tần suất xuất hiện của từ trong văn bản

Hình 2.2: Mô hình vector biểu diễn văn bản Phát biểu của mô hình :

Mỗi văn bản D được biểu diễn dưới dạng một vector V (vector đặc trưng cho

văn bản D) Trong đó, V =(v​1​,v​2​,…,v​n​) và n là số lượng đặc trưng hay số chiều của vector văn bản (thường là số từ khóa), v i​ là trọng số của đặc trưng thứ i (với 1 ≤i ≤ n)

Trọng số của đặc trưng có thể tính dựa trên tần số xuất hiện của từ khóa trong văn bản Ma trận biểu diễn trọng số (ma trận tần suất) W ={w​ ij​} được xác định dựatrên tần số xuất hiện của từ khóa t i​ trong văn bản d j​ Một số phương pháp xác định w ij​:

- Phương pháp Boolean weighting: Giá trị là 1 nếu số lần xuất hiện của từ khóa lớn hơn một ngưỡng nào đó, ngược lại là 0

20

Nam VB1(8), VB2(2)

- Phương pháp dựa trên tần số từ khóa (Term Frequency Weighting)

- Phương pháp dựa trên nghịch đảo tần số văn bản (Inverse

Document Frequency)

- TF*IDF weighting

Phương pháp Boolean weighting

Mô hình vector với trọng số từ khóa t​i nhận giá trị đúng nếu và chỉ nếu t​i xuấthiện trong văn bản đó

Giả sử có một cơ sở dữ liệu gồm m văn bản, D = {d​ 1​, d​2​, d​m​} Mỗi văn bảnđược biểu diễn dưới dạng một vector gồm n từ khóa T = {t​ 1​, t​2​,…t​n​} Gọi W = {W​ ij​} là

ma trận trọng số, trong đó W ij​ là giá trị trọng số của từ khóa t i​ trong văn bản d j​

Phương pháp dựa trên tần số từ khóa (Term Frequency)

Các giá trị W​ij được tính dựa trên tần số xuất hiện của từ khóa trong văn bản Giả sử f​ ij là số lần xuất hiện của từ khóa t​ i trong văn bản d​ j​, khi đó w​ ijđược tính bởimột trong ba công thức:

Nếu số lần xuất hiện từ khóa t trong văn bản d​ jcàng lớn thì có nghĩa là văn bản d​j càng phụ thuộc vào từ khóa t​ i​, hay nói cách khác từ khóa t​ i mang nhiều thông tintrong văn bản d​j​ Ví dụ, nếu trong văn bản xuất hiện nhiều từ khóa máy tính, điều đó

có nghĩa là văn bản chủ yếu liên quan đến lĩnh vực tin học

Phương pháp dựa trên nghịch đảo tần số văn bản

Trong phương pháp này W​ij​ được tính theo công thứ sau:

21

Trong đó N là số lượng văn bản và ​df ​là số lượng văn bản mà từ khóa t​ i xuấthiện Trong công thức này, trọng số W​ ijđược tính dựa trên độ quan trọng của từ khóa t​ itrong văn bản d​j​ Nếu t​i xuất hiện trong càng ít văn bản, thì khi nó xuất hiện trong d​j​ ,trọng số của nó đối với d​ jcàng lớn (do tính nghịch đảo của hàm log), tức là hàm lượng thông tin trong nó càng lớn Nói cách khác t​ ilà điểm quan trọng để phân biệt d​ jvới cácvăn bản khác

Phương pháp TF - IDF

Đây là phương pháp kết hợp của hai phương pháp TF và IDF Trọng số W​ij được tính bằng tần số xuất hiện của từ khóa t​ itrong văn bản d​ jvà độ hiếm của từ khóa t​i​ trong tập văn bản

Công thức tính Wij

Trong đó:

- weigh(i,j): là trọng số của từ thứ i trong văn bản bản thứ j

- fij (term frequency): số từ xuất hiện từ thứ i trong văn bản j, fij càng cao thì từ

đó càng miêu tả tốt nội dung văn bản

- dfi (document frequency): số văn bản có chứa từ thứ i

Nhân xét

Ưu điểm : Mô hình vector là mô hình biểu diễn văn bản được sử dụng khá phổ biến trong các hệ xử lý văn bản Mối quan hệ giữa các văn bản được tính toán dựa trên các vector biểu diễn nên dễ dàng thực hiện

Nhược điểm : Vì mỗi văn bản được biểu diễn thành một vector n chiều, với số chiều thường là số từ khác nhau trong tập văn bản, do đó không gian biểu diễn có số

22

chiều tương đối lớn, việc lưu trữ và tính toán trên vector tốn kém và phức tạp

Ngoài ra, hệ thống không linh hoạt khi lưu trữ các từ khóa Chỉ cần một thay đổi nhỏ trong bảng từ vựng sẽ dẫn đến hoặc là vector hóa lại toàn bộ các tài liệu, hoặc là bỏ qua các từ có nghĩa bổ sung trong các tài liệu được mã hóa trước đó

2.1.3.2 Mô hình đồ thị biểu diễn văn bản

Mô hình đồ thị biểu diễn văn bản được John F Sowa đưa ra lần đầu tiên vào năm

1976 - mô hình đồ thị khái niệm (Conceptual Graphs CGs) Trong mô hình đồ thị, mỗi

đồ thị là một văn bản Đỉnh của đồ thị có thể là câu, hoặc từ, hoặc kết hợp câu và từ Cạnh nối giữa các đỉnh là vô hướng hoặc có hướng, thể hiện mối quan hệ trong đồ thị Nhãn của đỉnh thường là tần số xuất hiện của đỉnh, còn nhãn của cạnh là tên mối liên kết khái niệm giữa hai đỉnh, hay tần số xuất hiện chung của hai đỉnh trong một phạm

vi nào đó, hay tên vùng mà đỉnh xuất hiện

Ví dụ, trong bài toán rút trích thông tin, đỉnh là từ hay từ kết hợp câu, cạnh thể hiện tần số đồng hiện Trong bài toán phân lớp văn bản, đỉnh là từ, cạnh thể hiện trật tự xuất hiện của từ hay vị trí xuất hiện của từ trong văn bản Trong bài toán tóm tắt văn bản, đỉnh là câu, cạnh thể hiện sự tương đồng giữa các câu

Mô hình đồ thị khái niệm (Conceptual Graphs -CGs)

Mô hình đồ thị khái niệm sử dụng mạng ngữ nghĩa để biểu diễn văn bản thành đồ thị Mỗi từ trong văn bản là một khái niệm và được biểu diễn bẳng đỉnh hình vuông Đỉnh hình oval thể hiện mối quan hệ giữa các khái niệm Các đỉnh hình vuông được nối với nhau dựa trên mối quan hệ trong mạng ngữ nghĩa và qua trung gian là đỉnh hình oval

Ví dụ ta có câu: “Nam is going to DaNang by taxi”, đồ thị khái niệm có dạng:

23

Hình 2.3: Ví dụ mô hình đồ thị khái niệm Trong hình, các khái niệm là “Go”, “Person: Nam”, “City: DaNang” và “Taxi”, các mối quan hệ “Agnt”, “Dest” và “Inst”

Ưu điểm của CGs là mô hình hóa văn bản một cách trực quan, chính xác và logic Hạn chế của mô hình là khác phức tạp, đòi hỏi phân tích ngữ nghĩa sâu, chuyên biệt và phụ thuộc vào lĩnh vực

Mô hình đồ thị hình sao

Trong đồ thị hình sao, đỉnh trung tâm là nét khái quát cấu trúc của văn bản Sau khi đỉnh trung tâm được xác lập, các đỉnh còn lại sẽ được triển khai Ngoài đỉnh trung tâm, các đỉnh còn lại biểu diễn từ trong văn bản Cạnh nối giữa các đỉnh được gán nhãn, thể hiện mối quan hệ giữa các đỉnh

Ví dụ:

Hình 2.4: Ví dụ mô hình đồ thị hình sao

Mô hình đồ thị vô hướng sử dụng tần số xuất hiện

Trong mô hình này, đỉnh và cạnh đều được gán nhãn là tần số xuất hiện của đỉnh và cạnh tương ứng Cạnh được nối giữa hai đỉnh nếu hai từ xuất hiện chung trong tập hợp (câu hoặc nhóm từ hoặc trang) Nhãn của đỉnh là tần số xuất hiện của từ trong văn bản, nhãn của cạnh là tần số xuất hiện chung của 2 từ trong tập hợp và tần số xuất hiện chung này lớn hơn ngưỡng cho phép

Ưu điểm của mô hình là khai thác được mối quan hệ giữa từ với từ trong cấu trúc văn bản cũng như tần số xuất hiện của từ, hỗ trợ cho quá trình tìm kiếm thông tin nhanh

24

chóng

Mô hình đồ thị có hướng, cạnh không gán nhãn

Mô hình này còn được gọi là mô hình đồ thị đơn giản Mỗi đỉnh biểu diễn một từ riêng biệt và chỉ xuất hiện một lần trên đồ thị ngay cả khi từ đó xuất hiện nhiều lần trong văn bản Nhãn đình là tên của từ Sau bước tiền xử lý văn bản, nếu từ “a” đứng ngay trước

từ “b” sẽ có cạnh nối từ đỉnh “a” đến đỉnh “b” (không kể các trường hợp phân cách bởi dấu câu)

Ví dụ: “Samsung sẽ giới thiệu điện thoai Samsung galaxy note 10 và trưng bày công nghệ bổ trợ được xây dựng để cải tiến điện thoại”

Hình 2.5: Ví dụ về mô hình đồ thị có hướng, không gán nhãn

Ưu điểm của mô hình là lưu trữ được các thông tin cấu trúc như thứ tự xuất hiện, vị trí của từ trong văn bản và làm tăng hiệu quả của các bài toán phân lớp cũng như gom cụm văn bản

Mô hình đồ thị có hướng, cạnh không gán nhãn, cạnh là khoảng cách n giữa hai từ trong văn bản

Mô hình này còn có tên gọi khác là mô hình khoảng cách n đơn giản Trong mô hình này, người dùng cung cấp tham số n Thay vì chỉ quan tâm từ “A” trực tiếp ngay trước từ “B” ta còn chú ý đến n từ đứng trước từ “B” Cạnh được xây dựng giữa hai từ khi giữa chúng có số từ xuất hiện nhiều nhất là (n-1), ngoại trừ trường hợp các từ được phân cách bởi các dấu câu

Ví dụ: ta có câu “Cánh đồng lúa xanh bát ngát”, với n = 2, mô hình biểu diễn câu như sau:

25

Hình 2.6: Ví dụ mô hình đồ thị n khoảng cách đơn giản

Ưu điểm của mô hình là tận dụng được mối quan hệ giữa các từ, vùng lân cận của từ trong câu và có thể áp dụng vào bài toán phân lớp văn bản

2.1.3.3 Mô hình Word2vec văn bản (vector hoá từ)

Trong word2vec, một biểu diễn phân tán (distributed representation) của một từ được sử dụng Sử dụng một vector với vài trăm chiều Mỗi từ được biểu diễn bởi tập các trọng số của từng phần tử trong nó Như thế thay vì kết nối one-to-one giữa các phần

từ trong vector và 1 từ, biểu diễn từ sẽ là dàn trải tất cả các thành phần của vector, và mỗi phần tử trong vector sẽ góp phần định nghĩa nhiều từ khác

Mỗi vector như vậy cũng đại diện cho một cách tóm lược của ý nghĩa của một

từ Và như vậy tiếp theo, chỉ đơn giản bằng cách kiểm tra một ngữ liệu lớn nó có thể học word vectors, ta có thể nắm bắt các mối quan hệ giữa các từ trong một cách đáng ngạc nhiên Có thể sử dụng các vector là đầu vào cho một mạng nơron

Bao gồm 2 mô hình :

- Mô hình túi từ liên lục (CBOW): Dự đoán 1 từ khi đã có các từ lân cận

- Mô hình Skip-gram: Là một mô hình đối lập hoàn toàn với mô hìnhCBOW Dự đoán các từ lân cận khi đã có 1 từ (theo thống kê mô hình này giúp làm mượt CBOW mượt hơn nhiều)

Hình 2.7: Mô hình Cbow và Skip-gram Mục đích và tính hữu ích của word2vec là nhóm các vectơ của các từ tương tự

26

lại với nhau trong vectorspace Nghĩa là, nó phát hiện các điểm tương đồng về mặt toán học

2.1.3.4 Mô hình Doc2vec (vector hoá văn bản)

Mô hình Doc2Vec được phát triển dựa trên mô hình Word2Vec trên cơ sở thừa

kế ý tưởng của Word2Vec và xây dựng thêm ma trận đoạn Việc này giúp cho mô hình Doc2Vec tập hợp tất cả các từ trong một câu thành một vectơ

Mô hình Doc2vec bao gồm hai mô hình: Mô hình túi từ phân tán (distributed bag of words- DBOW) và mô hình bộ nhớ phân tán (distributed memory- DM)

a Mô hình túi từ phân tán (DBOW)

Hình 2.8: Mô hình túi từ phân tán của vectơ đoạn

Mô hình này đơn giản là không quan tâm thứ tự các từ, huấn luyện nhanh hơn, không sử dụng bối cảnh địa phương/lân cận

Mô hình chèn thêm 1 "word" là ParagraphID, ParagraphID này đại diện cho văn bản được huấn luyện Sau khi huấn luyện xong có thể hiểu các vector ParagraphID này là vector nhúng của các văn bản

b Mô hình bộ nhớ phân tán(DM)

Hình 2.9: Mô hình bộ nhớ phân tán

27

Nó xem một đoạn văn (paragraph) là một từ, sau đó nối từ này vào tập các từ trong câu Trong quá trình huấn luyện, vector của đoạn văn (paragraph) và vector từ đều được cập nhật

Đối với Doc2vec ngoài từ ta còn có thể biểu diễn các câu thậm chí là một đoạn văn bản Khi đó, có thể dễ dàng vector hóa cả một đoạn văn bản thành một vector có

số chiều cố định và nhỏ, từ đó có thể chạy bất cứ thuật toán phân loại cơ bản nào trên các vector đó

Hình 2.10: Mô hình bộ nhớ phân tán cho việc học vector đoạn

2.1.4 Tính độ tương đồng

Các phép đo độ tương tự giữa văn bản và văn bản đã được nghiên cứu trong các ứng dụng của xử lý ngôn ngữ tự nhiên và các lĩnh vực liên quan Ứng dụng sớm nhất của độ tương tự văn bản là tìm kiếm thông tin, ở đó các tài liệu có liên quan tới câu truy vấn được xếp hạng theo thứ tự của độ tương tự Ngoài ra, độ tương tự văn bản còn được dùng cho phân lớp văn bản, trích chọn hay tóm tắt văn bản, phương pháp chođánh giá dịch máy tự động hay đánh giá tính chặt chẽ của văn bản

2.1.4.1 Khái niệm độ tương đồng

Độ tương đồng là một đại lượng dùng để so sánh hai hay nhiều đối tượng với nhau, phản ánh cường độ của mối quan hệ giữa các đối tượng với nhau Ví dụ: xét

2 câu “Tôi là nam” và “Tôi là nữ”, ta có thể nhận thấy hai câu trên có sự tương đồng khá cao

Phát biểu bài toán tính độ tương đồng như sau:

28

Xét 2 văn bản d ​i và d​j​ Mục tiêu là tìm ra một giá trị S(d ​i​,d​j​), Se (0,1), thể hiện

độ tương đồng giữa 2 văn bản d ​i và d​j​ Giá trị càng cao thì sự giống nhau về nghĩa của hai văn bản càng nhiều

Ví dụ trong mô hình không gian vector, ta sử dụng độ đo Cosine để tính độ tương đồng giữa hai văn bản, mỗi văn bản được biểu diễn bởi một vector

Độ tương tự ngữ nghĩa là khái niệm thể hiện tỷ lệ dựa trên sự giống nhau về nội dung ý nghĩa của tập các tài liệu hoặc các thuật ngữ trong một danh sách các thuật ngữ .Độ tương đồng ngữ nghĩa phản ánh mối quan hệ ngữ nghĩa giữa các câu, các tài liệu văn bản

2.1.4.2 Độ tương đồng văn bản dựa trên tập từ chung

a) Khoảng cách Jaro

Khoảng cách Jaro định nghĩa độ đo tương tự giữa hai chuỗi Cho hai câu s 1​ và s​2​, khoảng cách Jaro d giữa s 1​ và s​2​ được tính như sau :

Trong đó m là số từ giống nhau, t là ½ số bước chuyển

Phép chuyển vị trí sẽ được thực hiện khi hai từ giống nhau trong hai câu s 1​ và s​2​ có khoảng cách không lớn hjơn giá trị:

Mỗi từ trong câu s 1​ được so sánh với tất cả các từ trong s 2​ Số bước chuyển được định nghĩa là số lượng từ giống nhau giữa hai câu (nhưng thứ tự trong chuỗi khác nhau) chia cho 2

b) Mô hình tương phản

29

Mô hình tương phản do Tversky đề xuất (“Features of similarity”, Psychological

Review, 1977​) để tính độ tương tự giữa hai câu A và B như sau:

Trong đó g(A B) biểu diễn cho các từ chung A và B, g(A-B) biểu diễn cho các từ riêng của A và g(B-A) biểu diwwnx cho các từ riêng của B Hệ số ​được xác định trong quá trình thử nghiệm thuật toán

c) Hệ số Jaccard

Hệ số Jaccard là một độ đo tương tự của các tập hợp dựa trên phương pháp thống kê Theo đó, độ tương tự giữa hai câu A và B như sau :

Độ tương đồng văn bản dựa trên vector biểu diễn

Giả sử vector biểu diễn cho hai văn bản lần lượt có dạng:

t​ là trọng số của từ thứ t trong không gian vector j

Độ đo tương đồng được tính là Cosine của góc giữa hai vector biểu diễn cho hai văn bản D i​ và D​j​ Độ tương tự của chúng được tính theo công thức:

Nhân xét: Vector biểu diễn cho các câu chưa quan tâm đến mối quan hệ ngữ nghĩa giữa các từ mục, do đó các từ đồng nghĩa sẽ không được phát hiện, kết quả tính độ tương

tự chưa cao

Độ tương đồng dựa vào khoảng cách Euclide

Khoảng cách Euclide cũng là một phương pháp khá phổ biến để xác định mức độ tương đồng giữa các vector đặc trưng của hai văn bản

Mức độ tương đồng giữa hai vector được xác định bằng công thức:

30