Đề tài Xây dựng mô hình ngôn ngữ cho tiếng Việt

Mô hình ngôn ngữ Ngram - Cao Văn Việt K51KHMT ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ Cao Văn Việt XÂY DỰNG MÔ HÌNH NGÔN NGỮ CHO TIẾNG VIỆT KHOÁ LUẬN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY Ngành: Khoa học máy tính HÀ NỘI – 2010 LỜI CẢM ƠN Đầu tiên, cho phép tôi gửi lời cảm ơn sâu sắc tới TS Lê Anh Cường, người đã trực tiếp hướng dẫn, chỉ bảo và tạo điều kiện cho tôi trong quá trình hoàn thành luận văn này. Đồng thời tôi cũng xin gửi lời cảm ơn chân thành tới các thầy cô giáo trường Đại học Công Nghệ, đặc biệt là các thầy cô trong bộ môn Khoa học Máy tính , những người đã trực tiếp giảng dạy, hướng dẫn và tạo điều kiện cho tôi trong quá trình học tập và thực hành ở trường. Cuối cùng, tôi xin gửi gời cảm ơn tới tất cả các bạn đồng học và gia đình đã ủng hộ, giúp đỡ tôi hoàn thành luận văn TÓM TẮT Mô hình ngôn ngữ là một bộ phận quan trọng của lĩnh vực xử lý ngôn ngữ tự nhiên. Có rất nhiều lĩnh vực trong xử lý ngôn ngữ tự nhiên sử dụng mô hình ngôn ngữ như: kiểm lỗi chính tả, dịch máy hay phân đoạn từ... Trên thế giới đã có rất nhiều nước công bố nghiên cứu về mô hình ngôn ngữ áp dụng cho ngôn ngữ của họ nhưng ở Việt Nam, việc nghiên cứu và xây dựng một mô hình ngôn ngữ chuẩn cho tiếng Việt vẫn còn mới mẻ và gặp nhiều khó khăn. Chính điều này đã gợi ý và thúc đẩy chúng tôi lựa chọn và tập trung nghiên cứu vấn đề này để có thể tạo điều kiện cho việc xử lý ngôn ngữ tiếng Việt vốn vô cùng phong phú của chúng ta. Luận văn sẽ trình bày khái quát về mô hình ngôn ngữ, đồng thời chỉ ra các khó khăn còn tồn tại để rồi đưa ra những phương pháp khắc phục, trong đó trọng tâm nghiên cứu các phương pháp làm mịn. Trong luận văn này này, chúng tôi sử dụng chủ yếu bộ công cụ mã nguồn mở SRILIM để xây dựng mô hình ngôn ngữ cho tiếng Việt, sau đó áp dụng mô hình ngôn ngữ đã tạo ra để tính toán độ hỗn loạn thông tin của văn bản và dịch máy thống kê. Kết quả có được sẽ là cơ sở chính để chúng tôi chỉ ra phương pháp làm mịn nào là tốt nhất khi sử dụng trong việc xây dựng mô hình ngôn ngữ tiếng Việt. MỤC LỤC Chương 1 Giới thiệu vấn đề ................................................................................ 1 1.1 Đặt vấn đề: ......................................................................................................... 1 1.2 Mục tiêu: ............................................................................................................ 1 1.3 Cấu trúc của luận văn: ........................................................................................ 2 Chương 2 Mô hình ngôn ngữ Ngram: ................................................................. 3 2.1 Khái quát: ........................................................................................................... 3 2.2 Công thức tính “xác suất thô”: ............................................................................ 3 2.3 Khó khăn khi xây dựng mô hình ngôn ngữ N-gram ............................................ 4 2.3.1 Phân bố không đều: .................................................................................................4 2.3.2 Kích thước bộ nhớ của mô hình ngôn ngữ................................................................5 2.4 Các phương pháp làm mịn .................................................................................. 5 2.4.1 Các thuật toán chiết khấu (discounting): .................................................................5 2.4.2 Phương pháp truy hồi:..............................................................................................8 2.4.3 Phương pháp nội suy: ............................................................................................10 2.4.4 Phương pháp làm mịn Kneser - Ney: .....................................................................10 2.4.5 Phương pháp làm mịn Kneser - Ney cải tiến bởi Chen - GoodMan: .......................12 2.5 Kỹ thuật làm giảm kích thước dữ liệu: .............................................................. 13 2.5.1 Loại bỏ (pruning):..................................................................................................13 2.5.2 Đồng hóa (Quantization):.......................................................................................15 2.5.3 Nén (Compression):...............................................................................................16 2.6 Độ đo:............................................................................................................... 16 2.6.1 Entropy – Độ đo thông tin:.....................................................................................16 2.6.2 Perplexity – Độ hỗn loạn thông tin:........................................................................18 2.6.3 Error rate – Tỉ lệ lỗi: ..............................................................................................18 Chương 3 Ứng dụng của mô hình ngôn ngữ trong mô hình dịch máy thống kê: 19 3.1 Dịch máy: ......................................................................................................... 19 3.2 Dịch máy thống kê:........................................................................................... 19 3.2.1 Giới thiệu: .............................................................................................................19 3.2.2 Nguyên lý và các thành phần: ................................................................................19 3.2.3 Mô hình dịch: ........................................................................................................21 3.2.4 Bộ giải mã: ............................................................................................................25 3.3 Các phương pháp đánh giá bản dịch: ................................................................ 25 3.3.1 Đánh giá trực tiếp bằng con người: ........................................................................25 3.3.2 Đánh giá tự động: phương pháp BLEU ..................................................................26 Chương 4 Thực nghiệm: ................................................................................... 28 4.1 Công cụ: ........................................................................................................... 28 4.1.1 Bộ công cụ trợ giúp xây dựng tập văn bản huấn luyện: ..........................................28 4.1.2 Công cụ tách từ cho tiếng Việt - vnTokenizer: .......................................................28 4.1.3 Bộ công cụ xây dựng mô hình ngôn ngữ - SRILM: ................................................29 4.1.4 Bộ công cụ xây dựng mô hình dịch máy thống kê – MOSES: ................................32 4.2 Dữ liệu huấn luyện: .......................................................................................... 34 4.3 Kết quả: ............................................................................................................ 34 4.3.1 Số lượng các cụm ngram:.......................................................................................34 4.3.2 Tần số của tần số: ..................................................................................................36 4.3.3 Cut-off (loại bỏ):....................................................................................................39 4.3.4 Các phương pháp làm mịn: ....................................................................................40 4.3.5 Áp dụng vào mô hình dịch máy thống kê: ..............................................................41 Chương 5 Kết luận............................................................................................ 43 Tài liệu tham khảo................................................................................................ 44 Danh sách các bảng sử dụng trong luận văn: Bảng 4-1: số lượng các cụm Ngram trong văn bản huấn luyện với âm tiết .................35 Bảng 4-2: số lượng các cụm Ngram trong văn bản huấn luyện với từ.........................36 Bảng 4-3: tần số của tần số các cụm Ngram áp dụng cho âm tiết ...............................37 Bảng 4-4: tần số của tần số các cụm Ngram với từ.....................................................38 Bảng 4-5: bộ nhớ và độ hỗn loạn thông tin khi áp dụng loại bỏ trong âm tiết .............39 Bảng 4-6: bộ nhớ và độ hỗn loạn thông tin khi áp dụng loại bỏ với từ .......................40 Bảng 4-7: độ hỗn loạn thông tin của các phương pháp làm mịn cho âm tiết ...............40 Bảng 4-8: độ hỗn loạn thông tin của các phương pháp làm mịn cho từ.......................41 Bảng 4-9: điểm BLEU của bản dịch máy với mô hình ngôn ngữ sử dụng dữ liệu huấn luyện có kích thước nhỏ (50Mb) ................................................................................41 Bảng 4-10: điểm BLEU của bản dịch máy với mô hình Ngram sử dụng dữ liệu huấn luyện có kích thước lớn (300Mb)...............................................................................42 Danh sách các hình sử dụng trong luận văn: Hình 3-1: mô hình dịch máy thống kê từ tiếng Anh sang tiếng Việt ...........................20 Hình 3-3: sự tương ứng một - một giữa câu tiếng Anh và câu tiếng Pháp...................21 Hình 3-4: sự tương ứng giữa câu tiếng Anh với câu tiếng Tây Ban Nha khi cho thêm từ vô giá trị (null) vào đầu câu tiếng Anh .......................................................................22 Hình 3-5: sự tương ứng một - nhiều giữa câu tiếng Anh với câu tiếng Pháp...............22 Hình 3-6: sự tương ứng nhiều - nhiều giữa câu tiếng Anh với câu tiếng Pháp. ...........22 Hình 3-7: mô hình dịch dựa trên cây cú pháp.............................................................25 Hình 3-8: sự trùng khớp của các bản dịch máy với bản dịch mẫu...............................26 Hình 4-1: số lượng các cụm Ngram với âm tiết khi tăng kích thước dữ liệu ...............35 Hình 4-2: số lượng các cụm Ngram với từ khi tăng kích thước dữ liệu.......................36 Hình 4-3: số lượng các cụm Ngram (âm tiết) có tần số từ 1 đến 10 ............................37 Hình 4-4: số lượng các cụm Ngram (từ) có tần số từ 1 đến 10....................................38 1 Chương 1 Giới thiệu vấn đề 1.1 Đặt vấn đề: Ngôn ngữ tự nhiên là những ngôn ngữ được con người sử dụng trong các giao tiếp hàng ngày: nghe, nói, đọc, viết [10]. Mặc dù con người có thể dễ dàng hiểu và học các ngôn ngữ tự nhiên; việc làm cho máy hiểu được ngôn ngữ tự nhiên không phải là chuyện dễ dàng. Sở dĩ có khó khăn là do ngôn ngữ tự nhiên có các bộ luật, cấu trúc ngữ pháp phong phú hơn nhiều các ngôn ngữ máy tính, hơn nữa để hiểu đúng nội dung các giao tiếp, văn bản trong ngôn ngữ tự nhiên cần phải nắm được ngữ cảnh của nội dung đó. Do vậy, để có thể xây dựng được một bộ ngữ pháp, từ vựng hoàn chỉnh, chính xác để máy có thể hiểu ngôn ngữ tự nhiên là một việc rất tốn công sức và đòi hỏi người thực hiện phải có hiểu biết sâu về ngôn ngữ học. Các phương pháp xử lý ngôn ngữ tự nhiên dựa trên thống kê không nhắm tới việc con người tự xây dựng mô hình ngữ pháp mà lập chương trình cho máy tính có thể “học” nhờ vào việc thống kê các từ và cụm từ có trong các văn bản. Cốt lõi nhất của các phương pháp xử lý ngôn ngữ tự nhiên dựa trên thống kê chính là việc xây dựng mô hình ngôn ngữ. Mô hình ngôn ngữ là một phân bố xác suất trên các tập văn bản [2][10]. Nói đơn giản, mô hình ngôn ngữ có thể cho biết xác suất một câu (hoặc cụm từ) thuộc một ngôn ngữ là bao nhiêu. Ví dụ: khi áp dụng mô hình ngôn ngữ cho tiếng Việt: P[“hôm qua là thứ năm”] = 0.001 P[“năm thứ hôm là qua”] = 0 Mô hình ngôn ngữ được áp dụng trong rất nhiều lĩnh vực của xử lý ngôn ngữ tự nhiên như: kiểm lỗi chính tả, dịch máy hay phân đoạn từ... Chính vì vậy, nghiên cứu mô hình ngôn ngữ chính là tiền đề để nghiên cứu các lĩnh vực tiếp theo. Mô hình ngôn ngữ có nhiều hướng tiếp cận, nhưng chủ yếu được xây dựng theo mô hình Ngram. Vấn đề này sẽ trình bày rõ ràng hơn trong chương 2. 1.2 Mục tiêu: 2 Mục tiêu chính của luận văn là tìm hiểu lý thuyết về mô hình Ngram và các vấn đề trong đó, đặc biệt là các phương pháp làm mịn. Về thực nghiệm, luận văn có sử dụng bộ công cụ SRILM để xây dựng mô hình ngôn ngữ cho tiếng Việt với các phương pháp làm mịn khác nhau. Bằng việc áp dụng các mô hình ngôn ngữ khác nhau đó vào dịch máy thống kê, chúng tôi đã chỉ ra được phương pháp làm mịn nào là tốt nhất khi áp dụng cho mô hình ngôn ngữ. Để đạt được thành tựu đó, chúng tôi cũng đã phải tìm hiểu lý thuyết dịch máy thống kê và thực nghiệm dựa trên bộ công cụ Moses. 1.3 Cấu trúc của luận văn: Luận văn có cấu trúc như sau: Chương 2 xem xét các vấn đề liên quan đến mô hình ngôn ngữ Ngram, các sự cố gặp phải và cách khắc phục. Chương 3 đề cập đến lý thuyết mô hình dịch máy thống kê. Chương 4, luận văn tập trung vào việc mô tả thực nghiệm, bao gồm công việc xây dựng và cài đặt những chương trình hỗ trợ việc xây dựng được mô hình ngôn ngữ, mô hình dịch máy thống kê và các kết quả đạt được Chương 5 tổng kết lại những gì luận văn đạt được và đưa ra kế hoạch nghiên cứu trong tương lai. 3 Chương 2 Mô hình ngôn ngữ Ngram: 2.1 Khái quát: Nhiệm vụ của mô hình ngôn ngữ là cho biết xác suất của một câu w 1w 2...w m là bao nhiêu. Theo công thức Bayes: P(AB) = P(B|A) * P(A), thì: P(w 1w 2…w m) = P(w 1) * P(w 2|w 1) * P(w 3|w 1w 2) *…* P(w m|w 1w 2…w m-1) Theo công thức này, mô hình ngôn ngữ cần phải có một lượng bộ nhớ vô cùng lớn để có thể lưu hết xác suất của tất cả các chuỗi độ dài nhỏ hơn m. Rõ ràng, điều này là không thể khi m là độ dài của các văn bản ngôn ngữ tự nhiên (m có thể tiến tới vô cùng). Để có thể tính được xác suất của văn bản với lượng bộ nhớ chấp nhận được, ta sử dụng xấp xỉ Markov bậc n: P(w m|w 1,w 2,…, w m-1) = P(w m|w m-n,w n-m+1, …,w m-1) Nếu áp dụng xấp xỉ Markov, xác suất xuất hiện của một từ (w m) được coi như chỉ phụ thuộc vào n từ đứng liền trước nó (w m-nw m-n+1…w m-1) chứ không phải phụ thuộc vào toàn bộ dãy từ đứng trước (w 1w 2…w m-1). Như vậy, công thức tính xác suất văn bản được tính lại theo công thức: P(w 1w 2…w m) = P(w 1) * P(w 2|w 1) * P(w 3|w 1w 2) *…* P(w m-1|w m-n-1w m-n …w m-2)* P(w m|w m-nw m-n+1…w m-1) Với công thức này, ta có thể xây dựng mô hình ngôn ngữ dựa trên việc thống kê các cụm có ít hơn n+1 từ. Mô hình ngôn ngữ này gọi là mô hình ngôn ngữ N-gram. Một cụm N-gram là một dãy con gồm n phần tử liên tiếp của 1 dãy các phần tử cho trước (trong bộ dữ liệu huấn luyện) [2]. Ví dụ: cụm 2-gram “tôi đã” thuộc câu “tôi đã từng đọc quyển sách ấy”. Các phần tử được xét ở đây thường là kí tự, từ hoặc cụm từ; tùy vào mục đích sử dụng. Dựa vào số phần tử của 1 cụm N-gram, ta có các tên gọi cụ thể: N = 1: Unigram N = 2: Bigram N = 3: Trigram 2.2 Công thức tính “xác suất thô”: 4 Gọi C(w i-n+1...w i-1w i) là tần số xuất hiện của cụm w i-n+1...w i-1w i trong tập văn bản huấn luyện. Gọi P(w i|w i-n+1...w i-1) là xác suất w i đi sau cụm w i-n+1..w i-2w i-1. Ta có công thức tính xác suất như sau: P(w i|w i-n+1...w i-1) = C(w i-n+1...w i-1w i)  w C(w i-n+1...w i-1w) Dễ thấy,  w C(w i-n+1..w i-1w) chính là tần số xuất hiện của cụm w i-n+1...w i-1 trong văn bản huấn luyện. Do đó công thức trên viết lại thành: P(w i|w i-n+1...w i-1) = C(w i-n+1...w i-1w i) C(w i-n+1...w i-1) Tỉ lệ ở vế phải còn gọi là tỉ lệ tần số. Cách tính xác suất dựa vào tỉ lệ tần số còn gọi là ước lượng xác suất cực đại. Cũng có thể gọi đây là công thức tính “xác suất thô” để phân biệt với các cách tính xác suất theo các thuật toán sẽ xét ở phần sau. 2.3 Khó khăn khi xây dựng mô hình ngôn ngữ N-gram 2.3.1 Phân bố không đều: Khi sử dụng mô hình N-gram theo công thức “xác suất thô”, sự phân bố không đều trong tập văn bản huấn luyện có thể dẫn đến các ước lượng không chính xác. Khi các N-gram phân bố thưa, nhiều cụm n-gram không xuất hiện hoặc chỉ có số lần xuất hiện nhỏ, việc ước lượng các câu có chứa các cụm n-gram này sẽ có kết quả tồi. Với V là kích thước bộ từ vựng, ta sẽ có Vn cụm N-gram có thể sinh từ bộ từ vựng. Tuy nhiên, thực tế thì số cụm N-gram có nghĩa và thường gặp chỉ chiếm rất ít. Ví dụ: tiếng Việt có khoảng hơn 5000 âm tiết khác nhau, ta có tổng số cụm 3- gram có thể có là: 5.0003 = 125.000.000.000 Tuy nhiên, số cụm 3-gram thống kê được chỉ xấp xỉ 1.500.000. Như vậy sẽ có rất nhiều cụm 3-gram không xuất hiện hoặc chỉ xuất hiện rất ít. Khi tính toán xác suất của một câu, có rất nhiều trường hợp sẽ gặp cụm Ngram chưa xuất hiện trong dữ liệu huấn luyện bao giờ. Điều này làm xác suất của cả câu bằng 0, trong khi câu đó có thể là một câu hoàn toàn đúng về mặt ngữ pháp và ngữ nghĩa. Đề khắc phục tình trạng này, người ta phải sử dụng một số phương pháp “làm mịn” kết quả thống kê mà chúng ta sẽ đề cập ở phần 2.5. 5 2.3.2 Kích thước bộ nhớ của mô hình ngôn ngữ Khi kích thước tập văn bản huấn luyện lớn, số lượng các cụm Ngram và kích thước của mô hình ngôn ngữ cũng rất lớn. Nó không những gây khó khăn trong việc lưu trữ mà còn làm tốc độ xử lý của mô hình ngôn ngữ giảm xuống do bộ nhớ của máy tính là hạn chế. Để xây dựng mô hình ngôn ngữ hiệu quả, chúng ta phải giảm kích thước của mô hình ngôn ngữ mà vẫn đảm bảo độ chính xác. Vấn đề này sẽ được giải quyết ở phần 2.6 2.4 Các phương pháp làm mịn Để khắc phục tình trạng các cụm N-gram phân bố thưa như đã đề cập ở phần 2.4.1, người ta đã đưa ra các phương pháp “làm mịn” kết quả thống kê nhằm đánh giá chính xác hơn (mịn hơn) xác suất của các cụm N-gram. Các phương pháp “làm mịn” đánh giá lại xác suất của các cụm N-gram bằng cách:  Gán cho các cụm N-gram có xác suất 0 (không xuất hiện) một giá trị khác 0.  Thay đổi lại giá trị xác suất của các cụm N-gram có xác suất khác 0 (có xuất hiện khi thống kê) thành một giá trị phù hợp (tổng xác suất không đổi). Các phương pháp làm mịn có thể được chia ra thành loại như sau:  Chiết khấu (Discounting): giảm (lượng nhỏ) xác suất của các cụm Ngram có xác suất lớn hơn 0 để bù cho các cụm Ngram không xuất hiện trong tập huấn luyện.  Truy hồi (Back-off) : tính toán xác suất các cụm Ngram không xuất hiện trong tập huấn luyện dựa vào các cụm Ngram ngắn hơn có xác suất lớn hơn 0  Nội suy (Interpolation): tính toán xác suất của tất cả các cụm Ngram dựa vào xác suất của các cụm Ngram ngắn hơn. 2.4.1 Các thuật toán chiết khấu (discounting): Nguyên lý của các thuật toán chiết khấu là giảm xác suất của các cụm Ngram có xác suất lớn hơn 0 đề bù cho các cụm Ngram chưa từng xuất hiện trong tập huấn luyện [10]. Các thuật toán này sẽ trực tiếp làm thay đổi tần số xuất hiện của tất cả các cụm Ngram. Ở đây đề cập đến 3 thuật toán chiết khấu phổ biến: 6  Thuật toán Add-one  Thuật toán Witten-Bell  Thuật toán Good-Turing 2.4.1.1 Phương pháp làm mịn Add-one: Thuật toán làm mịn Add-one cộng thêm 1 vào tần số xuất hiện của tất cả các cụm N-gram rồi nhân với phân số chuẩn hóa (để bảo toàn tổng xác suất). Với unigram, khi cộng thêm 1 vào tần số của mỗi cụm unigram, thì tổng số cụm unigram đã xuất hiện bằng: M’ = M + V với M là tổng số cụm unigram đã xuất hiện V là kích thước bộ từ vựng Để bảo toàn tổng số cụm unigram vẫn bằng M, thì tần số mới của các cụm unigram được tính lại theo công thức: C i* = (C i+1) M M’ với C i là tần số của cụm unigram trước khi làm mịn Như vậy, xác suất của các cụm unigram cũng được tính lại: P i* = C i* M = (C i+1) M + V Xét các cụm N-gram với N>1, thay M bằng C(w i-n+1...w i-1) thì xác suất của cụm w i-n+1...w i-1w i được tính theo công thức sau: P(w i|w i-n+1...w i-1) = C(w i-n+1...w i-1w i) + 1 C(w i-n+1...w i-1) + V Chúng ta có thể thấy thuật toán này sẽ làm thay đổi đáng kể xác suất của các cụm Ngram đã xuất hiện trong tập huấn luyện nếu kích thước bộ từ điển V là rất lớn. Trong thực