Tổng quan luận án
Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu giải pháp cải tiến chất lượng dịch tự động tiếng Việt" do nghiên cứu sinh Nguyễn Văn Bình thực hiện tại Trường Đại học Bách khoa – Đại học Đà Nẵng, dưới sự hướng dẫn khoa học của PGS.TS. Huỳnh Công Pháp và TS. Vincent Berment, hoàn thành vào tháng 12 năm 2021. Công trình thuộc chuyên ngành Khoa học máy tính, mã số 9480101.
Tính cấp thiết và khoảng trống nghiên cứu
Dịch thuật thủ công bởi con người tuy đạt chất lượng ngữ nghĩa tốt nhưng tồn tại các giới hạn về tốc độ chậm, năng suất thấp, chi phí cao và sản phẩm bản dịch không thể tái sử dụng trực tiếp trong quy trình tự động. Trước khối lượng thông tin số hóa tăng trưởng nhanh trong môi trường toàn cầu hóa, việc ứng dụng các hệ thống dịch tự động bằng máy tính (Machine Translation – MT) là yêu cầu thực tiễn nhằm trợ giúp người dùng tiếp cận nguồn tài liệu đa ngữ với chi phí thấp và tốc độ cao.
Mặc dù các hệ thống dịch máy thương mại như Google Translate, Microsoft Translator, hay các phần mềm trong nước như EVTran đã hỗ trợ cặp ngôn ngữ Anh – Việt, chất lượng dịch thuật đối với tiếng Việt – vốn là ngôn ngữ có nguồn tài nguyên số hóa hạn chế (low-resource language) – vẫn còn nhiều bất cập. Các bản dịch máy thường chỉ đáp ứng mức độ nắm bắt đại ý sơ bộ; trong nhiều trường hợp, sự khác biệt về cấu trúc ngữ pháp và tính đa nghĩa của từ vựng tiếng Việt dẫn đến tình trạng dịch sai lệch một phần hoặc toàn bộ nội dung. Khoảng trống nghiên cứu được tác giả xác định gồm:
- Thiếu các đánh giá thực nghiệm khoa học, toàn diện với số liệu định lượng cụ thể về thực trạng chất lượng của các hệ thống dịch tự động tiếng Việt đang vận hành.
- Thiếu hụt các kho ngữ liệu song ngữ Anh – Việt có quy mô lớn, được chuẩn hóa và gán nhãn chính xác, đặc biệt trong các lĩnh vực chuyên ngành hẹp có tính chuẩn xác cao như văn bản quy phạm pháp luật.
- Các hạn chế cố hữu của mô hình dịch máy thống kê (SMT) truyền thống vốn phân mảnh câu thành các cụm từ rời rạc, chưa nắm bắt trọn vẹn ngữ cảnh ngữ nghĩa toàn câu, và chưa tích hợp được các tầng tri thức ngữ nghĩa vào kết quả hiển thị cho người dùng.
Mục tiêu nghiên cứu
Mục tiêu chung của luận án là đề xuất các giải pháp kỹ thuật cụ thể nhằm cải tiến chất lượng của các hệ thống dịch tự động tiếng Việt, tập trung giải quyết bài toán dịch giữa cặp ngôn ngữ Anh – Việt. Các mục tiêu cụ thể được đánh số trong văn bản gồm:
- Đánh giá được thực trạng của các hệ thống dịch tự động tiếng Việt đang hoạt động hiện nay;
- Đề xuất được các giải pháp nhằm nâng cao chất lượng của hệ thống dịch giữa cặp ngôn ngữ Anh – Việt;
- Xây dựng được hệ thống dịch tự động Anh – Việt trong lĩnh vực cụ thể là văn bản quy phạm pháp luật.
Đối tượng và phạm vi nghiên cứu
- Đối tượng nghiên cứu:
- Các phương pháp đánh giá chất lượng hệ thống dịch tự động;
- Kho ngữ liệu phục vụ huấn luyện và xây dựng mô hình dịch tự động;
- Các phương pháp dịch tự động (dựa trên ví dụ, thống kê, mạng nơ-ron và hướng ngữ nghĩa);
- Các hệ thống dịch tự động tiếng Việt đang hoạt động thực tế.
- Phạm vi nghiên cứu:
- Không gian và nền tảng: Tập trung vào cặp ngôn ngữ tiếng Việt – tiếng Anh; triển khai ứng dụng thực nghiệm trên nền tảng website phục vụ truy cập công cộng.
- Miền dữ liệu chuyên ngành: Tập trung vào văn bản quy phạm pháp luật – một lĩnh vực hẹp đòi hỏi tính chuẩn xác cao về thuật ngữ và cấu trúc cú pháp.
Tổng quan tài liệu và vị trí của luận án
Các hướng nghiên cứu trước được luận án điểm lại
Luận án khảo cứu lịch sử phát triển của các phương pháp dịch máy, kho ngữ liệu và độ đo đánh giá từ giữa thế kỷ 20:
- Phương pháp dịch máy:
- Mô hình dịch dựa trên ví dụ (EBMT) khởi xướng bởi Nagao (1984), được Sato và Nagao (1990) cụ thể hóa cơ chế tách ghép cụm từ tương tự.
- Mô hình dịch máy thống kê (SMT) dựa trên nguyên lý xác suất của Bayes, được Koehn (2003) chuẩn hóa theo mô hình cụm từ (phrase-based SMT) và tích hợp vào hệ thống mã nguồn mở Moses với các tham số ngôn ngữ bổ trợ (factored translation models).
- Mô hình dịch máy mạng nơ-ron (NMT) chuỗi-sang-chuỗi (seq2seq) sử dụng cơ chế tập trung (Attention mechanism) và các mô hình biểu diễn từ véc-tơ CBOW, Skip-gram của Mikolov.
- Đánh giá chất lượng dịch máy:
- Báo cáo Appendix 10 của ALPAC (1966) đặt nền móng cho phương pháp đánh giá chủ quan bằng thang đo tính trôi chảy (Fluency) và tính đầy đủ (Adequacy).
- Đánh giá xếp hạng tại WMT 2007; phương pháp đo lỗi hiệu đính HTER của Snover và cộng sự (2006).
- Các độ đo khách quan tự động: WER dựa trên khoảng cách Levenshtein (1966); các biến thể MWER, PER, TER; độ đo BLEU của Papineni và cộng sự (2001) dựa trên độ trùng khớp n-gram kết hợp hệ số phạt câu ngắn (Brevity Penalty); độ đo NIST của Doddington (2002) bổ sung trọng số thông tin cho từng n-gram.
- Tài nguyên ngữ liệu quốc tế và tiếng Việt:
- Các ngữ liệu đa ngữ lớn: Europarl (21 ngôn ngữ, 30,32 triệu từ), Wikipedia (25,90 triệu từ), OpenSubtitles (3,35 tỷ từ), TED2013 (3,81 triệu từ), EUbookshop (173,20 triệu từ), Canadian Hansard (2,8 triệu cặp câu Anh – Pháp), PKU 863 (200.000 cặp câu Hoa – Anh), và dự án EuroMatrix (9 ngôn ngữ).
- Tại Việt Nam: Kho ngữ liệu Vietlex (từ 1998, khoảng 80.000 âm tiết, tương đương gần 4 triệu câu); Chương trình KC01.01/06-10 (VLSP) với từ điển 35.000 từ, Treebank 70.000 câu tách từ, 10.000 câu gán nhãn từ loại (POS), kho ngữ liệu song ngữ Anh – Việt gồm 80.000 cặp câu Kinh tế – Xã hội và 20.000 cặp câu Tin học; các kho VTB và VCor của Trung tâm Ngôn ngữ học Tính toán – ĐH Khoa học Tự nhiên TP.HCM; kho ngữ liệu EVC (5 triệu từ); công cụ Vncopus (100 triệu từ thô).
- Thực nghiệm dịch Anh – Việt trước đây:
- Hệ thống Moses của Ho và cộng sự (2015) trên dữ liệu IWSLT 2015 đạt điểm BLEU từ 20,70 đến 23,15 (chiều En-Vn) và 17,19 đến 19,72 (chiều Vn-En).
- Nghiên cứu sử dụng 880.000 cặp câu song ngữ ghi nhận điểm BLEU En-Vi của Google là 8,80, Microsoft là 7,26 và Moses là 10,08; điểm Vi-En tương ứng là 9,68, 11,04 và 11,33.
- Nghiên cứu NMT trên tập dữ liệu TED tst2015 đạt 26,4 BLEU so với baseline 27,0; nghiên cứu dịch qua ngôn ngữ trung gian Séc – Anh – Việt đạt điểm BLEU Séc – Việt là 10,59 và Việt – Séc là 7,62.
- Các công trình khai thác câu song song Pháp – Việt (50.300 cặp câu), ngữ liệu du lịch Việt – Anh (giúp tăng 8,79 điểm BLEU), và kết hợp dữ liệu đơn ngữ ngoài miền (giúp tăng 2,21 điểm BLEU).
Khoảng trống luận án lựa chọn giải quyết
Luận án tập trung giải quyết tình trạng thiếu vắng kho ngữ liệu chuyên ngành chuẩn mực cho văn bản quy phạm pháp luật, khắc phục các hạn chế về tài nguyên ngữ liệu bị phân mảnh, giải quyết độ trễ và chi phí cao trong khâu đánh giá chất lượng hệ thống thông qua việc chuẩn hóa quy trình hậu xử lý, đồng thời áp dụng mạng nơ-ron kết hợp ontology để giải quyết sự nhập nhằng ngữ cảnh trong dịch thuật chuyên ngành.
Cơ sở lý thuyết và phương pháp nghiên cứu
Khung lý thuyết và mô hình toán học
- Mô hình dịch máy thống kê (SMT): Dựa trên định lý Bayes để phân rã bài toán dịch câu nguồn $f$ sang câu đích $e$:
$$\tilde{e} = \arg\max_{e} p(e|f) = \arg\max_{e} p(f|e) p(e)$$
Trong đó, $p(f|e)$ là mô hình dịch (translation model) được huấn luyện từ kho ngữ liệu song song thông qua gióng hàng từ (Giza++); $p(e)$ là mô hình ngôn ngữ (language model) được ước lượng thông qua thống kê n-gram trên kho ngữ liệu đơn ngữ đích.
- Mô hình dịch máy mạng nơ-ron (NMT): Kiến trúc mã hóa – giải mã (Encoder – Decoder) dựa trên mạng nơ-ron hồi quy (RNN) kết hợp cơ chế tập trung (Attention). Bộ mã hóa nén câu nguồn thành một chuỗi các véc-tơ trạng thái ẩn; cơ chế Attention tính toán phân bố trọng số ngữ cảnh tương ứng tại mỗi bước thời gian của bộ giải mã, giúp nắm bắt phụ thuộc xa và ngữ nghĩa toàn diện của câu.
- Hệ thống dịch hướng ngữ nghĩa: Kết hợp mô hình NMT với ontology nhằm nhận dạng thực thể, gán nhãn quan hệ và hiển thị cấu trúc ngữ nghĩa bổ trợ cho bản dịch văn bản pháp luật.
Phương pháp đánh giá chất lượng
- Đánh giá chủ quan: Sử dụng thang đo 5 mức độ chuẩn quốc tế cho tính đầy đủ (Adequacy: 1 – None đến 5 – All meaning) và tính trôi chảy (Fluency: 1 – Incomprehensible đến 5 – Flawless English); phương pháp đánh giá xếp hạng bản dịch; phương pháp đo đạc công sức hiệu đính (HTER).
- Đánh giá khách quan (tự động):
- Chỉ số WER (Word Error Rate):
$$\text{WER} = \frac{D + I + S}{N}$$
Với $D, I, S$ lần lượt là số thao tác xóa, thêm, thay thế theo khoảng cách Levenshtein, và $N$ là tổng số từ của bản dịch tham chiếu.
- Chỉ số TER (Translation Error Rate): Bổ sung thao tác dịch chuyển cụm từ ($Shift$):
$$\text{TER} = \frac{D + I + S + Shift}{N}$$
- Chỉ số BLEU: Kết hợp độ chính xác $p_n$ của n-gram (từ 1-gram đến 4-gram) với hệ số phạt độ dài câu ngắn BP (Brevity Penalty):
$$\text{BLEU} = \text{BP} \cdot \exp\left(\sum_{n=1}^{N} w_n \log p_n\right)$$
- Chỉ số NIST: Tính toán dựa trên giá trị thông tin $\text{Info}(w_1 \dots w_n) = \log_2 \left(\frac{N(w_1 \dots w_{n-1})}{N(w_1 \dots w_n)}\right)$ và sử dụng trung bình số học thay vì trung bình hình học.
- Chỉ số đề xuất: Tpe và Ope dựa trên quá trình hậu xử lý bản dịch.
| Độ đo |
Bản chất thuật toán |
Mục tiêu đo lường |
Đặc điểm xử lý |
| WER |
Khoảng cách Levenshtein ($D+I+S$) |
Tỷ lệ lỗi mức từ |
Phạt nặng sự thay đổi trật tự từ |
| TER |
Thêm thao tác dịch chuyển cụm từ ($Shift$) |
Công sức chỉnh sửa từ |
Tính toán chi phí biến đổi tối thiểu |
| BLEU |
Độ trùng khớp n-gram + Brevity Penalty |
Mức độ tương đồng bản dịch chuẩn |
Phổ biến nhất, nhạy với độ dài câu |
| NIST |
n-gram có trọng số thông tin |
Tỷ lệ trùng khớp gia quyền |
Đánh giá cao các cụm từ hiếm, ít biến thiên vị trí |
| Tpe, Ope |
Đo đạc bước can thiệp trong hậu xử lý |
Mức độ công sức hiệu đính thực tế |
Tiết kiệm nguồn lực đánh giá chủ quan |
Phương pháp nghiên cứu và dữ liệu thực tế
Nghiên cứu kết hợp phương pháp nghiên cứu lý thuyết (nghiên cứu đặc trưng tiếng Việt, lý thuyết dịch máy, kiến trúc học sâu) và phương pháp thực nghiệm (thu thập, tiền xử lý kho ngữ liệu song ngữ Anh – Việt quy mô lớn, huấn luyện mô hình NMT, phát triển giao diện người dùng và đo đạc thực tế).
Nội dung chính theo từng chương
Chương 1. Tổng quan về dịch tự động và chất lượng dịch tự động tiếng Việt hiện nay
Chương 1 hệ thống hóa cơ sở lý luận về bài toán dịch tự động, phân biệt giữa dịch tự động hoàn toàn (MT) và dịch thuật có sự hỗ trợ của máy tính (CAT). Văn bản nguồn và văn bản đích là hai thực thể trung tâm; quá trình chuyển đổi giữa chúng có thể thông qua văn bản trực tiếp hoặc qua các bước trung gian nhận dạng giọng nói, hình ảnh OCR.
Nội dung chương trình bày chi tiết ba phương pháp dịch máy chính:
- Dịch dựa trên ví dụ (EBMT): Dựa trên ba bước phân tích (Matching), gióng hàng (Alignment) và tái kết hợp (Recombination). Ưu điểm là không cần khảo sát sâu ngữ pháp, phù hợp cho lĩnh vực hẹp, nhưng phụ thuộc lớn vào kho mẫu và thuật toán đối sánh chậm.
- Dịch thống kê (SMT): Phân tích các mô hình mức từ, mức cụm từ và mức cú pháp. Giới thiệu hệ thống Moses và khả năng mở rộng tham số factored translation để đưa nhãn từ loại (POS), từ gốc (lemma) vào dữ liệu huấn luyện.
- Tổng quan kho ngữ liệu: Trình bày cấu trúc ba thành phần của kho ngữ liệu (phần đầu Header, phần văn bản Text, phần chú giải ngôn ngữ Annotation và Gióng hàng Alignment). Thống kê các kho tài nguyên quốc tế và trong nước:
| Tên kho ngữ liệu |
Số ngôn ngữ |
Quy mô dữ liệu |
Đặc điểm |
| Europarl |
21 |
30,32 triệu từ |
Kỷ yếu Nghị viện Châu Âu |
| Wikipedia |
21 |
25,90 triệu từ |
Bách khoa toàn thư mở |
| OpenSubtitles |
62 |
3,35 tỷ từ |
Phụ đề phim ảnh đa ngữ |
| TED2013 |
15 |
3,81 triệu từ |
Bản dịch bài nói chuyện TED Talks |
| EUbookshop |
48 |
173,20 triệu từ |
Ấn phẩm xuất bản Liên minh Châu Âu |
| Vietlex |
1 (Tiếng Việt) |
~4 triệu câu (80.000 âm tiết) |
Kho văn bản phân tích từ vựng |
| VLSP (KC01.01) |
2 (Anh – Việt) |
100.000 cặp câu |
80.000 câu Kinh tế, 20.000 Tin học |
Cuối chương, tác giả phân tích thực trạng các hệ thống dịch tiếng Việt: EVTran (dựa trên luật ngữ pháp, từ năm 1989), Cồ Việt (Lạc Việt), Google Translate (109 ngôn ngữ), Microsoft Translator (90 ngôn ngữ). Tác giả chỉ ra rằng các hệ thống thương mại thường mắc lỗi dịch sai lệch nghiêm trọng trong ngữ cảnh chuyên môn, dẫn chứng qua các mẫu câu:
- "Let’s meet at 8:00 PM" bị dịch thiếu tự nhiên thành "Hãy gặp nhau lúc 8 giờ" (thay vì "Mình gặp nhau lúc 8 giờ tối nhé").
- "It’s been keeping me awake at night" bị dịch sai ngữ nghĩa theo từng từ thành "Nó đã được giữ tôi tỉnh táo vào ban đêm" (thay vì nghĩa đúng là "Tôi lo đến thức trắng cả đêm").
Chương 2. Giải pháp cải tiến chất lượng dịch tự động tiếng Việt
Chương 2 trình bày các giải pháp kỹ thuật do tác giả đề xuất nhằm xử lý ba vấn đề then chốt: đánh giá chất lượng, cải tiến kho ngữ liệu và cải tiến mô hình dịch.
- Đánh giá thực trạng và đề xuất độ đo qua hậu xử lý:
Tác giả thiết lập kịch bản đánh giá trên 5 bộ dữ liệu kiểm thử độc lập đối với các hệ thống Google Translate, Microsoft Translator và mô hình dịch cục bộ. Quy trình đánh giá kết hợp đo đạc khách quan (BLEU, NIST) và chủ quan. Nhận thấy việc đánh giá thủ công tốn kém chi phí và khó tái sử dụng, luận án đề xuất giải pháp đánh giá thông qua quá trình hậu xử lý (post-editing) với hai chỉ số:
- Tpe: Thời gian hiệu đính bản dịch.
- Ope: Số lượng thao tác chỉnh sửa tối thiểu của con người để biến câu dịch máy thành bản dịch hoàn chỉnh.
Quy trình này chứng minh sự tương đồng với các chỉ số ED (Edit Distance) và WER nhưng phản ánh sát thực tế năng suất dịch thuật.
- Giải pháp cải tiến kho ngữ liệu:
- Xây dựng định dạng chuẩn biểu diễn ngữ liệu trên nền XML, hỗ trợ chuyển đổi linh hoạt giữa các cấu trúc dữ liệu khác nhau.
- Đề xuất giải pháp nhận dạng và phân loại thực thể danh từ riêng trong văn bản tiếng Việt bằng cách kết hợp thuật toán so khớp tối đa (Maximum Matching) với phân tích quan hệ cấu trúc giữa các thành tố văn bản.
- Đề xuất thuật toán xác định ranh giới từ ghép tiếng Việt dựa trên mô hình phân phối từ và cụm từ trong văn bản.
- Thực nghiệm chứng minh mối tương quan tuyến tính giữa quy mô kho ngữ liệu huấn luyện và chất lượng bản dịch thông qua sự gia tăng của điểm số BLEU.
- Giải pháp mô hình học máy mạng nơ-ron và hệ thống dịch ngữ nghĩa:
- Đề xuất triển khai mô hình NMT kiến trúc Encoder – Decoder với mạng hồi quy RNN tích hợp cơ chế Attention nhằm dịch toàn bộ ngữ cảnh câu cùng lúc, loại bỏ hiện tượng dịch ghép từ cơ học của SMT.
- Đề xuất kiến trúc hệ thống dịch hướng ngữ nghĩa dựa trên ngữ cảnh: tích hợp kho ngữ liệu giàu ngữ nghĩa và mô hình ontology phân cấp nhằm gán nhãn khái niệm chuyên ngành, trích xuất thuộc tính ngữ nghĩa và hiển thị đa tầng thông tin giải nghĩa cho người dùng cuối.
Chương 3. Hệ thống dịch tự động Anh-Việt VIKI Translator
Chương 3 mô tả quá trình thiết kế, triển khai thực nghiệm và đánh giá hệ thống dịch tự động Anh – Việt VIKI Translator trong lĩnh vực văn bản quy phạm pháp luật.
-
Quy trình xây dựng kho ngữ liệu chuyên ngành:
Tác giả triển khai quy trình đa bước: thu thập tài liệu văn bản pháp quy song ngữ từ các nguồn chính thống; lọc nhiễu, chuẩn hóa định dạng; gióng hàng ở cấp độ đoạn và cấp độ câu; ứng dụng công cụ hỗ trợ mở rộng ngữ nghĩa và xây dựng kho ngữ liệu ontology chuyên ngành pháp luật. Tổng quy mô kho ngữ liệu song ngữ Anh – Việt được làm sạch và chuẩn hóa đạt trên 1.000.000 cặp câu.
-
Huấn luyện mô hình và xây dựng ứng dụng:
- Tổ chức huấn luyện mô hình mạng nơ-ron với bộ tham số tối ưu hóa trên tập ngữ liệu văn bản quy phạm pháp luật đã xây dựng.
- Thiết kế kiến trúc phân hệ hoàn chỉnh của hệ thống VIKI Translator: mô-đun tiếp nhận và tiền xử lý văn bản, mô-đun dịch tự động NMT, mô-đun tra cứu ngữ nghĩa ontology, và giao diện web người dùng tại địa chỉ
https://vikitranslator.com.
- Phát triển các tiện ích bổ trợ gồm tiện ích mở rộng trên trình duyệt Chrome (Chrome Extension) và ứng dụng di động trên nền tảng Android.
- Kết quả thực nghiệm và tiếp nhận thực tế:
- Đánh giá thực nghiệm cho thấy hệ thống VIKI Translator đạt điểm BLEU vượt trội so với mô hình baseline Moses và cho kết quả dịch chính xác các thuật ngữ pháp lý chuyên ngành tốt hơn so với Google Translate và Microsoft Translator trên tập văn bản kiểm thử chuyên ngành.
- Số liệu thống kê vận hành thực tế ghi nhận:
- Hơn 30.000 lượt tải và cài đặt phần mềm/ứng dụng.
- Điểm đánh giá trung bình từ người dùng đạt trên 4,5/5,0 trên kho ứng dụng Google Play và cửa hàng tiện ích Chrome Web Store.
- Hơn 30 bài viết độc lập từ các diễn đàn, blog công nghệ viết bài đánh giá và hướng dẫn sử dụng.
- 582.561 liên kết (backlink) trỏ về trang chủ hệ thống theo thống kê từ công cụ Ahrefs.
Kết quả và những đóng góp mới
Luận án xác định 05 đóng góp chính về mặt khoa học lý luận và ứng dụng thực tiễn:
- Đánh giá thực trạng dịch tự động tiếng Việt và đề xuất phương pháp đánh giá qua hậu xử lý: Triển khai đánh giá toàn diện, chi tiết chất lượng các hệ thống dịch tiếng Việt đang hoạt động bằng cả phương pháp chủ quan và khách quan (BLEU, NIST) trên tập dữ liệu chuẩn; công bố số liệu khoa học thực chứng; đề xuất giải pháp đánh giá chất lượng thông qua quá trình hậu xử lý (chỉ số Tpe, Ope) giúp tối ưu hóa thời gian và nhân lực.
- Giải pháp cải tiến kho ngữ liệu tiếng Việt: Đề xuất và cài đặt thử nghiệm các kỹ thuật mở rộng, hợp nhất kho ngữ liệu quy mô lớn; thuật toán nhận dạng danh từ riêng kết hợp Maximum Matching với phân tích quan hệ thành tố; thuật toán phân định ranh giới từ ghép tiếng Việt dựa trên phân phối từ và cụm từ; chứng minh bằng thực nghiệm tác động quyết định của chất lượng và khối lượng ngữ liệu đối với chất lượng bản dịch.
- Ứng dụng mô hình học máy mạng nơ-ron (NMT) cho cặp ngôn ngữ Anh – Việt: Đề xuất và triển khai mô hình dịch máy mạng nơ-ron cho phép xử lý toàn bộ ngữ cảnh câu đồng thời, thay thế cơ chế dịch theo cụm từ rời rạc của mô hình thống kê, nâng cao độ chính xác ngữ pháp và độ mượt mà của câu dịch.
- Mô hình hệ thống dịch tự động hướng ngữ nghĩa: Đề xuất mô hình dịch ngữ nghĩa theo ngữ cảnh thông qua việc kết hợp NMT với ontology và kho ngữ liệu giàu ngữ nghĩa, cho phép biểu diễn các tầng ngữ nghĩa bổ trợ giúp người đọc hiểu thấu đáo văn bản chuyên môn.
- Sản phẩm ứng dụng thực tiễn và kho ngữ liệu chuyên ngành: Xây dựng thành công kho ngữ liệu song ngữ Anh – Việt với hơn 1.000.000 cặp câu (chủ yếu thuộc lĩnh vực văn bản quy phạm pháp luật); triển khai thành công hệ thống dịch trực tuyến VIKI Translator phục vụ cộng đồng tại địa chỉ
https://vikitranslator.com, đạt các chỉ số tiếp nhận thực tế cao (trên 30.000 lượt tải, điểm đánh giá > 4,5/5,0).
Kiến nghị, giải pháp đề xuất: Luận án đề xuất quy chuẩn hóa quy trình biên tập ngữ liệu song ngữ cho các chuyên ngành hẹp tại Việt Nam; khuyến nghị tích hợp các công cụ hỗ trợ dịch thuật tự động vào cổng thông tin văn bản pháp luật nhằm trợ giúp người dân và doanh nghiệp tra cứu văn bản song ngữ.
Hạn chế và hướng nghiên cứu tiếp
Căn cứ vào nội dung và phạm vi nghiên cứu được tác giả trình bày:
- Hạn chế:
- Phạm vi thực nghiệm chuyên sâu chủ yếu giới hạn trong cặp ngôn ngữ Anh – Việt và lĩnh vực hẹp là văn bản quy phạm pháp luật; chưa mở rộng đánh giá đầy đủ trên các chuyên ngành kỹ thuật khác như y tế hay công nghệ sinh học.
- Mô hình dịch ngữ nghĩa dựa trên ontology phụ thuộc vào mức độ bao phủ của cơ sở tri thức ontology được xây dựng thủ công hoặc bán tự động.
- Hướng nghiên cứu tiếp:
- Tiếp tục mở rộng quy mô kho ngữ liệu song ngữ sang các lĩnh vực chuyên ngành khác;
- Hoàn thiện mô hình tự động cập nhật ontology từ văn bản mới;
- Nghiên cứu tối ưu hóa kiến trúc mạng nơ-ron để giảm thời gian xử lý và nâng cao năng lực dịch thuật trên thiết bị di động.
Giá trị tham khảo
Luận án mang lại các giá trị tham khảo cụ thể cho các nhóm đối tượng:
- Nghiên cứu sinh và học viên cao học chuyên ngành Khoa học máy tính, Xử lý ngôn ngữ tự nhiên: Tham khảo phương pháp xây dựng, tiền xử lý và gióng hàng kho ngữ liệu song ngữ; tham khảo thuật toán nhận dạng thực thể danh từ riêng và tách ranh giới từ ghép tiếng Việt.
- Các nhóm nghiên cứu và phát triển hệ thống dịch máy: Tham khảo quy trình tổ chức đánh giá kết hợp giữa độ đo tự động (BLEU, NIST) và quy trình hậu xử lý (Tpe, Ope); kỹ thuật tích hợp ontology vào mô hình NMT để giải quyết bài toán dịch hướng ngữ nghĩa.
- Cơ quan quản lý và chuyên gia biên dịch văn bản pháp quy: Sử dụng trực tiếp hệ thống dịch VIKI Translator và kho ngữ liệu song ngữ pháp luật như một công cụ tham chiếu tin cậy hỗ trợ nâng cao hiệu suất công tác biên dịch văn bản quy phạm pháp luật.
Câu hỏi thường gặp
1. Luận án lựa chọn lĩnh vực chuyên ngành hẹp nào để xây dựng và thực nghiệm hệ thống dịch?
Luận án tập trung xây dựng kho ngữ liệu và thực nghiệm hệ thống dịch tự động VIKI Translator trong lĩnh vực văn bản quy phạm pháp luật cho cặp ngôn ngữ tiếng Anh – tiếng Việt.
2. Luận án đề xuất giải pháp gì để khắc phục nhược điểm tốn kém chi phí của phương pháp đánh giá chủ quan?
Tác giả đề xuất giải pháp đánh giá chất lượng hệ thống dịch thông qua quá trình hậu xử lý (post-editing), sử dụng hai chỉ số định lượng là $T_{pe}$ (thời gian hiệu đính) và $O_{pe}$ (số lượng thao tác chỉnh sửa tối thiểu của con người) để tự động hóa khâu đo lường công sức chỉnh sửa bản dịch máy thành bản dịch chuẩn.
3. Thuật toán nào được tác giả đề xuất để nhận dạng danh từ riêng và ranh giới từ tiếng Việt trong kho ngữ liệu?
Tác giả đề xuất giải pháp nhận dạng thực thể danh từ riêng bằng cách kết hợp thuật toán Maximum Matching với phân tích mối quan hệ giữa các thành tố văn bản; đồng thời xác định ranh giới từ ghép tiếng Việt dựa trên mô hình phân phối từ và cụm từ trong văn bản.
4. Hệ thống thực nghiệm VIKI Translator đạt được những kết quả ứng dụng thực tế nào?
Hệ thống được triển khai trên website https://vikitranslator.com, phát hành ứng dụng Android và tiện ích Chrome Extension. Kết quả ghi nhận hơn 30.000 lượt tải và cài đặt, điểm đánh giá trung bình trên 4,5/5,0 trên Google Play và Chrome Extension, hơn 30 bài viết hướng dẫn sử dụng độc lập, và 582.561 liên kết trỏ về trang chủ.
Kết luận
Luận án tiến sĩ của tác giả Nguyễn Văn Bình đã giải quyết trọn vẹn mục tiêu nghiên cứu về cải tiến chất lượng dịch tự động tiếng Việt, tập trung vào cặp ngôn ngữ Anh – Việt trong lĩnh vực văn bản quy phạm pháp luật. Thông qua việc kết hợp giữa phân tích lý thuyết và thực nghiệm, tác giả đã đề xuất các giải pháp nâng cao chất lượng kho ngữ liệu, ứng dụng kiến trúc mạng nơ-ron và xây dựng mô hình dịch hướng ngữ nghĩa dựa trên ontology. Kết quả nghiên cứu không chỉ đóng góp các công cụ đánh giá mới mà còn được chứng minh tính hiệu quả thông qua việc triển khai thành công hệ thống dịch thực tế VIKI Translator và kho ngữ liệu song ngữ quy mô hơn 1.000.000 cặp câu.
