Thạc Sĩ Tóm tắt đa văn bản dựa vào trích xuất câu

Mở đầu
Sự phát triển nhanh chóng của mạng Internet cùng với những bước tiến mạnh mẽ
của công nghệ lưu trữ, lượng thông tin lưu trữ hiện nay đang trở nên vô cùng lớn.
Thông tin được sinh ra liên tục mỗi ngày trên mạng Internet, lượng thông tin văn bản
khổng lồ trong đó đó đã và đang mang lại lợi ích không nhỏ cho con người, tuy nhiên,
nó cũng khiến chúng ta khó khăn trong việc tìm kiếm và tổng hợp thông tin. Giải pháp
cho vấn đề này là tóm tắt văn bản tự động. Tóm tắt văn bản tự động được xác định là
một bài toán thuộc lĩnh vực khái phá dữ liệu văn bản; việc áp dụng tóm tắt văn bản sẽ
giúp người dùng tiết kiệm thời gian đọc, cải thiện tìm kiếm cũng như tăng hiệu quả
đánh chỉ mục cho máy tìm kiếm.
Từ nhu cầu thực tế như thế, bài toán tóm tắt văn bản tự động nhận được sự quan
tâm nghiên cứu của nhiều nhà khoa học, nhóm nghiên cứu cũng như các công ty lớn
trên thế giới. Các bài báo liên quan đến tóm tắt văn bản xuất hiện nhiều trong các hội
nghị nổi tiếng như : DUC1 2001-2007, TAC2 2008, ACL3 2001-2007 bên cạnh đó
cũng là sự phát triển của các hệ thống tóm tắt văn bản như : MEAD, LexRank,
Microsoft Word (Chức năng AutoSummarize)
Một trong những vấn đề thách thức và được sự quan tâm trong những năm gần
đây đối với bài toán tóm tắt văn bản tự động đó là đưa ra kết quả tóm tắt cho một tập
văn bản liên quan với nhau về mặt nội dung hay còn gọi là tóm tắt đa văn bản.
Bài toán tóm tắt đa văn bản được xác định là một bài toán có độ phức tạp cao.
Đa số mọi người nghĩ rằng, tóm tắt đa văn bản chỉ là việc áp dụng tóm tắt đơn văn bản
cho một văn bản được ghép từ các văn bản trong một tập văn bản cho trước. Tuy nhiên
điều đó là hoàn toàn không chính xác, thách thức lớn nhất của vấn đề tóm tắt đa văn là
do dữ liệu đầu vào có thể có sự nhập nhằng ngữ nghĩa giữa nội dung của văn bản này
với văn bản khác trong cùng tập văn bản hay trình tự thời gian được trình bày trong
mỗi một văn bản là khác nhau, vì vậy để đưa ra một kết quả tóm tắt tốt sẽ vô cùng khó
khăn [EWK].
Rất nhiều ứng dụng cần đến quá trình tóm tắt đa văn bản như: hệ thống hỏi đáp
tự động (Q&A System), tóm tắt các báo cáo liên quan đến một sự kiện, tóm tắt các
cụm dữ liệu được trả về từ quá trình phân cụm trên máy tìm kiếm Hướng nghiên
cứu ứng dụng bài toán tóm tắt đa văn bản vào việc xây dựng hệ thống hỏi đáp tự động
đang là hướng nghiên cứu chính của cộng đồng nghiên cứu tóm tắt văn bản nhưng
năm gần đây. Rất nhiều nghiên cứu cho thấy rằng, việc sử dụng phương pháp tóm tắt
đa văn bản dựa vào câu truy vấn (Query-based multi-document summarization) đối
với kho dữ liệu tri thức để đưa ra một văn bản tóm tắt trả lời cho câu hỏi của người sử
dụng đạt được nhiều kết quả khả quan cũng như thể hiện đây là một hướng tiếp cận
đúng đắn trong việc xây dựng các mô hình hỏi đáp tự động [Ba07,YYL07].
Với việc lựa chọn đề tài “Tóm tắt đa văn bản dựa vào trích xuất câu”, chúng
tôi tập trung vào việc nghiên cứu, khảo sát, đánh giá và đề xuất ra một phương pháp
tóm tắt đa văn bản phù hợp với ngôn ngữ tiếng Việt, bên cạnh đó áp dụng phương
pháp này vào việc xây dựng một mô hình hệ thống hỏi đáp tiếng Việt.
Ngoài phần mở đầu và kết luận, luận văn được tổ chức thành 5 chương như
sau:
ã Chương 1: Khái quát bài toán tóm tắt giới thiệu khái quát bài toán tóm tắt
văn bản tự động nói chung và bài toán tóm tắt đa văn bản nói riêng, trình bày
một số khái niệm và cách phân loại đối với bài toán tóm tắt.
ã Chương 2: Tóm tắt đa văn bản dựa vào trích xuất câu giới thiệu chi tiết về
hướng tiếp cận, thách thức và các vấn đề trong giải quyết bài toán tóm tắt đa
văn bản dựa vào trích xuất câu.
ã Chương 3: Độ tương đồng câu và các phương pháp tăng cường tính ngữ
nghĩa cho độ tương đồng câu trình bày các nghiên cứu về các phương pháp
tính độ tương đồng ngữ nghĩa câu tiêu biểu áp dụng vào quá trình trích xuất câu
quan trọng của văn bản.

Mục lục
Lời cảm ơn i
Lời cam đoan ii
Mục lục iii
Danh sách hình vẽ . vi
Danh sách bảng . vii
Danh sách bảng . vii
Bảng từ viết tắt viii
Bảng từ viết tắt viii
Mở đầu . 1
Chương 1. Khái quát bài toán tóm tắt văn bản 4
1.1. Bài toán tóm tắt văn bản tự động 4
1.2. Một số khái niệm của bài toán tóm tắt và phân loại tóm tắt . 4
1.3. Tóm tắt đơn văn bản . 7
1.4. Tóm tắt đa văn bản . 9
1.5. Tóm tắt chương một . 9
Chương 2. Tóm tắt đa văn bản dựa vào trích xuất câu . 10
2.1. Hướng tiếp cận của bài toán tóm tắt đa văn bản . 10
2.2. Các thách thức của quá trình tóm tắt đa văn bản 11
Trùng lặp đại từ và đồng tham chiếu . 11
Nhập nhằng mặt thời gian 12
Sự chồng chéo nội dung giữa các tài liệu 12
Tỷ lệ nén . 14
2.3. Đánh giá kết quả tóm tắt . 15
Phương pháp ROUGE 16
2.4. Tóm tắt đa văn bản dựa vào trích xuất câu . 16
2.4.1. Loại bỏ chồng chéo và sắp xếp các văn bản theo độ quan trọng 16
2.4.2. Phương pháp sắp xếp câu 17
Nhận xét . 18
2.5. Tóm tắt chương hai . 18
iv
Chương 3. Độ tương đồng câu và các phương pháp tăng cường tính ngữ nghĩa cho
độ tương đồng câu . 19
3.1. Độ tương đồng 19
3.2. Độ tương đồng câu 19
3.3. Các phương pháp tính độ tương đồng câu 20
3.3.1. Phương pháp tính độ tương đồng câu sử dụng độ đo Cosine . 20
3.3.2. Phương pháp tính độ tương đồng câu dựa vào chủ đề ẩn . 21
Mô hình độ tương đồng câu sử dụng chủ đề ẩn . 22
Suy luận chủ đề và tính độ tương đồng các câu . 23
3.3.3. Phương pháp tính độ tương đồng câu dựa vào Wikipedia 24
Giới thiệu mạng ngữ nghĩa Wikipedia . 24
Kiến trúc Wikipedia . 24
Độ tương đồng giữa các khái niệm trong mạng ngữ nghĩa Wikipedia 25
Độ tương đồng câu dựa vào mạng ngữ nghĩa Wikipedia 28
3.4. Tóm tắt chương ba 28
Chương 4. Một số đề xuất tăng cường tính ngữ nghĩa cho độ tương đồng câu và áp
dụng vào mô hình tóm tắt đa văn tiếng Việt . 29
4.1. Đề xuất tăng cường tính ngữ nghĩa cho độ tương đồng câu tiếng Việt 29
4.1.1. Đồ thị thực thể và mô hình xây dựng đồ thị quan hệ thực thể 29
4.1.2. Độ tương đồng ngữ nghĩa câu dựa vào đồ thị quan hệ thực thể . 32
Sự tương quan giữa đồ thị quan hệ thực thể và mạng ngữ nghĩa Wordnet,
Wikipedia . 32
Độ tương đồng ngữ nghĩa dựa vào đồ thị quan hệ thực thể . 33
Nhận xét: 34
4.2. Độ tương đồng ngữ nghĩa câu tiếng Việt . 34
4.3. Mô hình tóm tắt đa văn bản tiếng Việt . 35
4.4. Mô hình hỏi đáp tự động tiếng Việt áp dụng tóm tắt đa văn bản . 38
4.5. Tóm tắt chương bốn 39
Chương 5. Thực nghiệm và đánh giá 40
5.1. Môi trường thực nghiệm . 40
5.2. Quá trình thực nghiệm 41
5.2.1. Thực nghiệm phân tích chủ đề ẩn . 41
5.2.2. Thực nghiệm xây dựng đồ thị quan hệ thực thể . 42
v
5.2.3. Thực nghiệm đánh giá các độ đo tương đồng . 43
5.2.4. Thực nghiệm đánh giá độ chính xác của mô hình tóm tắt đa văn bản 45
5.2.5. Thực nghiệm đánh giá độ chính xác của mô hình hỏi đáp . 46
Kết luận 49
Các công trình khoa học và sản phẩm đã công bố 50
Tài liệu tham khảo . 51