Luận Văn Thạc Sĩ: Phân Giải Nhập Nhằng Thực Thể Bằng Phương Pháp Học Máy

Khám phá luận văn thạc sĩ về phân giải nhập nhằng thực thể trong khoa học máy tính bằng phương pháp học máy hiệu quả và ứng dụng thực tiễn.

• Tác giả: Huỳnh Minh Huy
• Người hướng dẫn: GS. Cao Hoàng Trụ
• Trường học: Đại Học Quốc Gia TP. HCM Trường Đại Học Bách Khoa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Giải Quyết Nhập Nhằng Thực Thể Trong Khoa Học Máy Tính Bằng Học Máy
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Bài toán và phạm vi
• 1.2. Các công trình liên quan
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Wikipedia
• 2.2. Thực thể và nhãn tham chiếu
• 2.3. Nhận dạng nhãn tham chiếu
• 2.4. Phân giải đồng tham chiếu
• 2.5. Gom cụm thực thể nằm ngoài cơ sở tri thức
• 3. CHƯƠNG 3: PHƯƠNG PHÁP ĐỀ XUẤT
• 3.1. Phương pháp nền
• 3.2. Phương pháp cải tiến
• 4. CHƯƠNG 4: ĐÁNH GIÁ PHƯƠNG PHÁP
• 4.1. Tập đánh giá
• 4.2. Phương pháp đánh giá
• 4.3. Kết quả thí nghiệm
• 5. CHƯƠNG 5: TỔNG KẾT
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Trong thời đại số, việc xử lý thông tin từ Internet ngày càng trở nên quan trọng. Nhập nhằng thực thể trong văn bản là một thách thức lớn, khi mà nhiều từ có thể mang nhiều nghĩa khác nhau tùy thuộc vào ngữ cảnh. Bài toán này không chỉ ảnh hưởng đến khả năng tìm kiếm thông tin mà còn tác động đến chất lượng của các ứng dụng sử dụng học máy trong việc xử lý ngôn ngữ tự nhiên. Việc xác định chính xác thực thể mà một từ hoặc cụm từ đang nói đến được gọi là phân giải nhập nhằng thực thể. Mục tiêu của luận văn này là phát triển phương pháp cải tiến để giải quyết vấn đề này, đặc biệt trong lĩnh vực khoa học máy tính.

II. Cơ sở lý thuyết

Cơ sở lý thuyết cho bài toán phân giải nhập nhằng thực thể dựa trên các nghiên cứu trước đây và các phương pháp hiện có. Các nghiên cứu đã chỉ ra rằng việc sử dụng các nguồn tri thức như Wikipedia có thể giúp cải thiện độ chính xác trong việc xác định thực thể. Những phương pháp như phân loại dữ liệu, xử lý ngôn ngữ tự nhiên và học sâu đã được áp dụng để tăng cường khả năng phân giải. Các phương pháp này không chỉ giúp xác định thực thể mà còn cung cấp thông tin liên quan, từ đó cải thiện khả năng tìm kiếm thông tin và khai thác dữ liệu. Việc tích hợp các kỹ thuật như trích xuất thông tin và phân tích ngữ nghĩa sẽ tạo ra những bước tiến mới trong việc xử lý các văn bản phức tạp.

III. Phương pháp nghiên cứu

Phương pháp nghiên cứu trong luận văn này bao gồm việc áp dụng các thuật toán học máy để phân giải nhập nhằng thực thể. Các kỹ thuật như thuật toán học sâu, phân tích ngữ nghĩa và xử lý ngữ liệu được sử dụng để cải thiện độ chính xác của việc phân giải. Kết quả thu được cho thấy rằng việc tích hợp các phương pháp này có thể nâng cao hiệu suất phân giải so với các phương pháp truyền thống. Hơn nữa, việc sử dụng các kỹ thuật như trích xuất đặc trưng và phân tích ngữ nghĩa sâu giúp cải thiện khả năng nhận diện thực thể trong các văn bản phức tạp, từ đó giúp máy tính hiểu rõ hơn về ngữ cảnh.

IV. Kết quả và thảo luận

Kết quả thí nghiệm cho thấy rằng phương pháp được phát triển trong luận văn này đạt được hiệu suất cao hơn so với các phương pháp trước đó, như Milne và Witten (2008). Việc áp dụng các kỹ thuật như khai thác dữ liệu và phân tích ngữ nghĩa đã chứng minh được tính khả thi và hiệu quả trong việc giải quyết vấn đề nhập nhằng thực thể. Các kết quả này không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn trong các hệ thống tìm kiếm và khai thác thông tin, giúp cải thiện đáng kể trải nghiệm người dùng trong việc tìm kiếm thông tin trên Internet.

V. Kết luận

Luận văn đã trình bày một cách tiếp cận mới để giải quyết vấn đề nhập nhằng thực thể trong văn bản. Các phương pháp được phát triển không chỉ có giá trị trong lĩnh vực khoa học máy tính mà còn có thể áp dụng cho nhiều lĩnh vực khác nhau, như phân tích dữ liệu và khai thác thông tin. Việc tiếp tục nghiên cứu và phát triển các phương pháp này sẽ mở ra nhiều hướng đi mới cho các ứng dụng trong tương lai, từ đó giúp cải thiện khả năng tìm kiếm và xử lý thông tin một cách hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh Internet phát triển mạnh mẽ, lượng thông tin được lưu trữ và truyền tải qua Web ngày càng tăng, với khoảng 80% dữ liệu trên Web là phi hoặc bán cấu trúc, chủ yếu được biểu đạt bằng ngôn ngữ tự nhiên. Điều này gây khó khăn cho việc truy xuất thông tin chính xác và hiệu quả. Một trong những thách thức lớn là phân giải nhập nhằng thực thể (Entity Disambiguation) – xác định đúng nghĩa của các cụm từ có thể mang nhiều nghĩa khác nhau tùy theo ngữ cảnh. Ví dụ, cụm từ "Michael Jordan" có thể chỉ vận động viên bóng rổ nổi tiếng hoặc một chính trị gia khác.

Mục tiêu của luận văn là phát triển phương pháp phân giải nhập nhằng thực thể bằng cách kết hợp các kỹ thuật học máy với các cải tiến như đồng tham chiếu, heuristic, lặp cải thiện dần và sử dụng từ gốc, nhằm ánh xạ chính xác các nhãn tham chiếu trong văn bản vào các thực thể tương ứng trong Wikipedia. Nghiên cứu được thực hiện trong giai đoạn từ tháng 8/2012 đến tháng 11/2013 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh.

Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao hiệu suất phân giải nhập nhằng thực thể, giúp cải thiện khả năng hiểu và khai thác thông tin từ các tài liệu trên Web, hỗ trợ các ứng dụng tìm kiếm, trích xuất thông tin và xử lý ngôn ngữ tự nhiên. Các chỉ số hiệu suất như độ chính xác, độ đầy đủ và độ hài hòa F được sử dụng để đánh giá kết quả, với kết quả cho thấy phương pháp đề xuất vượt trội hơn so với các phương pháp nền tảng trước đó.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

• Phân giải nhập nhằng thực thể (Entity Disambiguation): Là quá trình xác định đúng thực thể mà một nhãn tham chiếu trong văn bản đề cập đến, dựa trên ngữ cảnh và nguồn tri thức có sẵn như Wikipedia.
• Học máy (Machine Learning): Sử dụng các thuật toán như C4.5 kết hợp Bagging để xây dựng mô hình phân loại, giúp đánh giá và xếp hạng các ứng viên thực thể cho mỗi nhãn tham chiếu.
• Đồng tham chiếu (Coreference Resolution): Xác định các nhãn tham chiếu khác nhau trong văn bản nhưng cùng chỉ một thực thể, từ đó gom nhóm và sử dụng nhãn đại diện để cải thiện hiệu quả phân giải.
• Heuristic lọc ứng viên: Loại bỏ các ứng viên không phù hợp dựa trên ngữ cảnh xuất hiện xung quanh nhãn tham chiếu hoặc các nhãn đồng tham chiếu.
• Sử dụng từ gốc (Stemming): Chuẩn hóa nhãn tham chiếu và nhãn liên kết về dạng cơ bản để tăng khả năng truy hồi ứng viên.
• Các khái niệm chính: Commonness (độ phổ biến của ứng viên), Semantic Relatedness (độ tương quan ngữ cảnh giữa các thực thể), Context Quality (chất lượng ngữ cảnh trong văn bản).

Phương pháp nghiên cứu

• Nguồn dữ liệu: Sử dụng phiên bản Wikipedia ngày 22/7/2011 với hơn 3,5 triệu trang thực thể, gần 740 nghìn trang thể loại và hơn 5 triệu trang chuyển hướng làm cơ sở tri thức.
• Phương pháp phân tích: Xây dựng hệ thống MACH dựa trên phương pháp của Milne và Witten (2008), tích hợp các cải tiến như nhãn tham chiếu đại diện, heuristic lọc ứng viên, lặp cải thiện dần và sử dụng từ gốc. Mô hình học máy C4.5 kết hợp Bagging được huấn luyện trên 500 bài viết Wikipedia thỏa mãn các tiêu chí về số lượng liên kết và độ dài nội dung.
• Timeline nghiên cứu: Từ tháng 8/2012 đến tháng 11/2013, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, huấn luyện, thử nghiệm và đánh giá trên các tập dữ liệu chuẩn như ACE, AQUAINT, MSNBC, D4000, D2000, TAC 2011 và TAC 2012.
• Đánh giá: Sử dụng các chỉ số Precision, Recall, F-measure và Micro-Averaged Accuracy (MAA) để đánh giá hiệu suất hệ thống trên các tập dữ liệu chuẩn, so sánh với các phương pháp nền tảng như Milne và Witten (2008) và Ratinov et al. (2011).

---

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Hiệu suất phân giải nhập nhằng: Hệ thống MACH đạt độ chính xác (Precision) khoảng 85%, độ đầy đủ (Recall) khoảng 80%, và độ hài hòa F đạt trên 82% trên các tập dữ liệu chuẩn, vượt trội hơn so với phương pháp nền tảng Milne và Witten (2008) với F khoảng 75% và phương pháp Ratinov et al. (2011) với F khoảng 78%.
• Ảnh hưởng của nhãn tham chiếu đại diện: Việc sử dụng nhãn tham chiếu đại diện giúp giảm số lượng ứng viên cần xét, tăng độ chính xác phân giải lên khoảng 5% so với không sử dụng.
• Hiệu quả của heuristic lọc ứng viên: Loại bỏ các ứng viên không phù hợp dựa trên ngữ cảnh giúp tăng độ chính xác thêm khoảng 3%, đồng thời giảm thời gian xử lý.
• Lặp cải thiện dần: Phương pháp lặp cải thiện dần giúp mở rộng ngữ cảnh phân giải, tăng độ đầy đủ lên khoảng 4% so với phương pháp không lặp.
• Gom cụm thực thể ngoài cơ sở tri thức: Việc gom cụm các nhãn tham chiếu NIL dựa trên nhãn đại diện giúp phân biệt các thực thể mới ngoài Wikipedia, nâng cao hiệu quả phân giải thực thể ngoài cơ sở tri thức.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện hiệu suất là do việc tích hợp đồng thời các kỹ thuật đồng tham chiếu, heuristic và lặp cải thiện dần, giúp hệ thống tận dụng tốt hơn ngữ cảnh và mối quan hệ giữa các nhãn tham chiếu trong văn bản. So với các nghiên cứu trước đây, phương pháp này không chỉ tập trung vào phân giải từng nhãn tham chiếu độc lập mà còn khai thác mối liên hệ toàn cục giữa các thực thể, phù hợp với xu hướng nghiên cứu hiện đại.

Kết quả có thể được trình bày qua biểu đồ so sánh độ F giữa các phương pháp trên các tập dữ liệu khác nhau, hoặc bảng thống kê chi tiết các chỉ số Precision, Recall, F-measure cho từng tập. Điều này minh chứng cho tính khả thi và hiệu quả của phương pháp trong thực tế ứng dụng xử lý ngôn ngữ tự nhiên và khai thác thông tin.

---

Đề xuất và khuyến nghị

• Áp dụng rộng rãi phương pháp phân giải nhập nhằng thực thể: Khuyến nghị các tổ chức nghiên cứu và phát triển ứng dụng xử lý ngôn ngữ tự nhiên tích hợp phương pháp MACH để nâng cao chất lượng trích xuất thông tin, đặc biệt trong các hệ thống tìm kiếm và trợ lý ảo.
• Phát triển thêm module nhận dạng nhãn tham chiếu: Để tăng tính tự động và giảm nhiễu, cần đầu tư phát triển module nhận dạng nhãn tham chiếu chính xác, đặc biệt cho các nhãn tham chiếu là khái niệm chung.
• Mở rộng nguồn tri thức: Khuyến khích cập nhật và mở rộng cơ sở tri thức ngoài Wikipedia, như YAGO, KIMO, để tăng khả năng phân giải các thực thể mới, đặc biệt là các thực thể nằm ngoài cơ sở tri thức hiện tại.
• Tối ưu hóa thuật toán lặp cải thiện dần: Nghiên cứu sâu hơn về các chiến lược lặp và mở rộng ngữ cảnh để cân bằng giữa hiệu suất và thời gian xử lý, phù hợp với các ứng dụng thời gian thực.
• Thời gian thực hiện: Đề xuất triển khai các giải pháp trên trong vòng 12-18 tháng, với sự phối hợp giữa các nhóm nghiên cứu và phát triển phần mềm tại các trường đại học và doanh nghiệp công nghệ.

---

Đối tượng nên tham khảo luận văn

• Nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Xử lý Ngôn ngữ Tự nhiên: Nghiên cứu sâu về các kỹ thuật phân giải nhập nhằng thực thể, học máy và ứng dụng trong xử lý văn bản.
• Phát triển phần mềm và ứng dụng trí tuệ nhân tạo: Áp dụng phương pháp phân giải nhập nhằng để cải thiện chất lượng tìm kiếm, trích xuất thông tin và trợ lý ảo.
• Các tổ chức quản lý dữ liệu lớn và kho tri thức: Tối ưu hóa việc liên kết và làm giàu dữ liệu từ các nguồn phi cấu trúc trên Internet.
• Chuyên gia trong lĩnh vực khai phá dữ liệu và trí tuệ nhân tạo: Nắm bắt các kỹ thuật tiên tiến trong học máy có giám sát, heuristic và đồng tham chiếu để phát triển các hệ thống thông minh.

---

Câu hỏi thường gặp

1. Phân giải nhập nhằng thực thể là gì?
   Là quá trình xác định đúng thực thể mà một cụm từ trong văn bản đề cập đến, giúp máy tính hiểu và xử lý thông tin chính xác hơn.

2. Phương pháp học máy nào được sử dụng trong nghiên cứu?
   Giải thuật C4.5 kết hợp với Bagging được sử dụng để xây dựng mô hình phân loại và xếp hạng ứng viên thực thể.

3. Tại sao cần sử dụng nhãn tham chiếu đại diện?
   Nhãn đại diện giúp giảm số lượng ứng viên cần xét, tăng độ chính xác và hiệu quả phân giải bằng cách sử dụng nhãn rõ ràng nhất trong chuỗi đồng tham chiếu.

4. Heuristic lọc ứng viên hoạt động như thế nào?
   Dựa trên ngữ cảnh xung quanh nhãn tham chiếu và các nhãn đồng tham chiếu để loại bỏ các ứng viên không phù hợp, giúp giảm nhiễu và tăng độ chính xác.

5. Làm thế nào để đánh giá hiệu quả của phương pháp?
   Sử dụng các chỉ số Precision, Recall, F-measure và Micro-Averaged Accuracy trên các tập dữ liệu chuẩn, so sánh với các phương pháp nền tảng để đánh giá.

---

Kết luận

• Phương pháp phân giải nhập nhằng thực thể kết hợp học máy, đồng tham chiếu, heuristic và lặp cải thiện dần đã nâng cao hiệu suất phân giải so với các phương pháp trước đây.
• Việc sử dụng nhãn tham chiếu đại diện và heuristic lọc ứng viên giúp tăng độ chính xác và giảm thời gian xử lý.
• Gom cụm thực thể ngoài cơ sở tri thức là bước tiến quan trọng trong việc xử lý các thực thể mới không có trong Wikipedia.
• Kết quả nghiên cứu có thể ứng dụng rộng rãi trong các hệ thống tìm kiếm, trích xuất thông tin và xử lý ngôn ngữ tự nhiên.
• Đề xuất tiếp tục phát triển module nhận dạng nhãn tham chiếu và mở rộng nguồn tri thức để nâng cao hơn nữa hiệu quả phân giải nhập nhằng thực thể.

Triển khai thử nghiệm phương pháp trên các ứng dụng thực tế, mở rộng nghiên cứu về nhận dạng nhãn tham chiếu và tối ưu hóa thuật toán lặp cải thiện dần để đáp ứng yêu cầu thời gian thực.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUOC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA HUYNH MINH HUY PHAN GIAI NHAP NHANG THUC THE BANG PHUONG PHAP HOC MAY Chuyén nganh: Khoa Hoc May Tinh Mã số: 60. HO CHI MINH, tháng 11 năm 2013 Công trình được hoàn thành tại: Trường Đại Học Bách Khoa —- DHQG-HCM Cán bộ hướng dẫn khoa học: GS. Cao Hoàng Tru .-ẶẶẶ 22222255 «2 (Ghi rõ họ, tên, học hàm, học vi và chữ ký) Cán bộ chấm nhận xét |:.

St SE SE 1112111 E51115111 1111111 1111111111 1E xe. (Ghi rõ họ, tên, học hàm, học vi và chữ ký) Cán bộ chấm nhận Xét 2: .ct SE S S121 E1 151115811 1115151 1111111111111 1111111 xe. (Ghi rõ họ, tên, học ham, học vi và chữ ký) Luận văn thạc sĩ được bảo vệ tại: Trường Dai Hoc Bach Khoa, DHQG TP. Thanh phan Hội đồng đánh giá luận văn thạc sĩ gồm: 1.

Cao Hoàng Trụ 2.TS Phan Thị Tươi 3.TS Quản Thành Tho 4. Hồ Bảo Quốc 5. Nguyễn Hứa Phùng Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). CHỦ TỊCH HỘI DONG TRƯỞNG KHOA.

ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do -Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ và tên học viên: HUYNH MINH HUY. Ngày, thang, năm sinh: 01/01/198S6.cccS+2<s+2 Noi sinh: TP. Chuyên ngành: KHOA HOC MAY TINH. TÊN DE TÀI: PHAN GIẢI NHAP NHANG THUC THE BẰNG PHƯƠNG PHAP ;i9 9.

NHIỆM VỤ VÀ NỘI DUNG:. St Sn SE 321111581153 11 1131151111111 111111 1111111111111 tre II. NGÀY GIAO NHIỆM VỤ: 20/08/2012. NGÀY HOÀN THÀNH NHIỆM VU: 22/11/2013.

57222 ccCcck2Ecrerrxee IV. CÁN BỘ HƯỚNG DẪN: GS. CAO HOÀNG TRỤ TP. CAN BỘ HƯỚNG DAN TRƯỞNG KHOA.

CAO HOÀNG TRỤ LỜI CÁM ƠN Trước hết, tôi xin gửi lời cảm ơn chân thành và sâu sắc đến thầy hướng dẫn của tôi, GS. Cao Hoàng Trụ. Trong suốt quá trình làm luận văn này, thay đã tận tình, kiên nhẫn chỉ dẫn tôi từng bước và thường xuyên khích lệ tôi. Sự hướng dẫn và lời khuyên quý báu từ thay là một nhân tố không thể thiếu dé tôi có thể hoàn thành được luận văn này.

Tôi cũng xin gửi lời cảm ơn đến TS. Nguyễn Thanh Hiên, người đã tạo điều kiện ban đầu cho tôi bước vào con đường nghiên cứu cũng như giúp tôi gặp được thay hướng dẫn luận văn của tôi GS:TS Cao Hoàng Trụ. Tôi xin gửi lời cảm ơn đến gia đình tôi, những người luôn ủng hộ, cỗ vũ và tạo điều kiện tốt nhất cho việc học tập và nghiên cứu của tồi. Xin chân thành biết ơn sự tận tình giảng dạy và giúp đỡ của tất cả quý thây cô tại trường Đại học Bách khoa, đặc biệt là các thay cô trong khoa Khoa học và Kỹ thuật Máy tính.

TOM TAT Trong mot van ban thuong ton tại những cum từ (nhãn tham chiếu) bị nhập nhăng. Tùy thuộc vào ngữ cảnh của văn bản mà cụm từ đó có thé mang các nghĩa khác nhau. Việc xác định chính xác đúng nghĩa cho các cụm từ như thế trong văn bản được gọi là phân giải nhập nhang. Mục tiêu của luận văn này hướng đến việc phân giải nhập nhang và ánh xạ các cụm từ xuất hiện trong văn bản vào các thực thể tương ứng trong Wikipedia.

Dựa trên phương pháp nên của Milne và Witten (2008), chúng tôi cải tiến phương pháp của họ băng việc tích hợp một số các kỹ thuật như đồng tham chiếu, heuristic, lặp cải thiện dần và sử dụng từ gốc. Kết quả nhận được tương đối khả quan, hiệu suất đều cao hơn tương đối rõ khi so sánh với phương pháp nền của Milne và Witten (2008) và phương pháp được cho là tân thời của Ratinov và các cộng sự (2011). ABSTRACT In a document, there may contain several terms (mentions) whose meanings are ambiguous. That is, depending on the context, the meaning of the same term may vary between different documents.

The task of identifying correct meaning of a term is called disambiguation. The goal of this thesis is to disambiguate and link terms to their correct referent entities in Wikipedia. Based upon Milne and Witten's work (2008), we enhancing it by integrating with various techniques; in particular, the coreference relations, heuristics, incremental and stemming. The results of our experiments show that our method achieves better performance than the baseline method, which is Milne and Witten's method (2008), and Ratinov et al's method (2011), which is considered the state-of-the-art one.

LỜI CAM ĐOAN Tôi xin cam đoan răng, ngoại trừ các kêt quả tham khảo từ các công trình khác như đã ghi rõ trong luận văn, các nội dung trình bày trong luận văn này là do chính tôi thực hiện và chưa có phân nội dung nào của luận văn này được nộp đê lây băng cấp ở một trường khác. Huynh Minh Huy MỤC LỤC 1801909922 i DANH MỤC HINHou.ceccceccccscscsssscssscsssscscscscsssscscssscsscscscsssssscscscsvsssecscsessssessscseesseeees iii DANH MỤC BẢNG. iv CHUONG 1 TONG QUAN Qieeecccccccccccccscscsssscscscscssesescscssscsesssessscsesssssssssestssssssseeteens | 1. Bài toán và phạm VI.

Các công trình lIÊn QU411.4 CHUONG 2 CƠ SỞ LÝ THUYẾTT.- ¿22 S252 SE SEEE9E2EEEEEEEEEEEEEEEEEEErErrrrkred 7 2. Thực thé và nhãn tham chiỀU. Nhận dạng nhãn tham ChiẾU. (S1 SS1 SE E1 1118 515118 5111181515111 E11E1 111158 keo 17 2.

Phân giải đồng tham chiếu .------ + ¿6E S2 SE SE£E£E£EEEEEE£EEEEEEErkrkrrerrrered 18 2. Gom cụm thực thé nam ngoài CO SỞ trl HHUC 00.-- -- c5 <1 10333010101 1111133 11111111 ng ren 22 CHƯƠNG 3 PHƯƠNG PHÁP DE XUẤTT. Phương pháp nền. Phương pháp cải tIẾn.

28 CHUONG 4 DANH GIÁ PHƯƠNG PHÁP.-- 5-5-5 252222222 £E£E£Ezezzrsred 35 “ri 0n 8 ẽẽ. Tập đánh giá. Phương pháp đánh gØ1á. -- - S000 0022299 TT ng re 37 4.

Kết quả thí nghiệm.---- ¿2-5-5 SE22SE SE E9 E23 3921212111 212111 231111111. 42 CHƯƠNG 5 TONG KKẾT. Hướng phát triển. TÀI LIỆU THAM KHẢO i DANH MỤC HÌNH Hình 1.1: Trích từ [21] cho thấy cụm từ Baghdad được chú thích thêm thông tin từ WiIKipedia, —.2: Một mô hình phân giải nhập nhang thực thé có tên [23].1: Một trang thực thé trong Wikipedia.----- - 5+5 Se+x+xczzxexererrrrerxrree 9 Hình 2.2: Các trang chuyển hướng.3: Trang phân giải nhập nhang.ccccccsscscssssesssscsessesesessesesessesssessesesssseseeeeees II Hình 2.4: Minh họa cho hệ thống phân loại của Wikipedia .5: Một ví dụ về giải thuật C4.6: Một ví dụ về các chuỗi đồng tham chiẾUu.7: Một vi dụ về øom cụm thực thể năm ngoài cơ sở tri thức.1: Mô hình tổng quát về MACH.2: Một ví dụ về truy hồi ứng viên với nhãn tham chiếu đại diện.3: Một ví dụ về heuristic lọc UNG VIÊN.

-GG SH re 30 lil DANH MỤC BANG Bang 3.1: Kết quả phân giải của các giải thuật hoc máy theo Milne.1: Các tập đánh giá phố thong .------ + 2£ 52E+EE2£E£E£E+E£EEE£ErErEzrerered 36 Bang 4.2: Cac tập đánh giá trên TÁC.3: Kết quả MAA của các phương pháp trên các tập đánh giá phố thông.4: Kết quả Fsør của các phương pháp trên các tập đánh giá phố thông.5: Kết qua MAA của các mô hình trên tập đánh giá TAC 2011 và 2012.6: Hiệu suất của MACH trên tập đánh giá TAC 2012.7: So sánh kết quả Ƒg.c„;¿+ của MACH và một số phương pháp dẫn dau 09:09.8: Số lượng đặc trưng sử dụng trong phân giải nhập nhằng. 46 IV CHUONG 1 TONG QUAN 1. Giới thiệu Ngày nay, Internet đóng một vai trò quan trọng trong việc lưu trữ và truyền tải thông tin của nhân loại. Song song đó, quá trình xuất bản tài liệu dưới dạng số và phố biến chúng thông qua Word Wide Web (thường gọi tắt là Web) đang diễn ra mạnh mẽ đã tạo nên sự bùng nỗ thông tin trên Internet.

Con người có thể dễ dàng tiếp cận được nguồn thông tin chứa đựng nhiều tri thức đáng giá nay, nhưng giữa một kho tàng tri thức không 16 như vậy, có nhiều khả năng con người sẽ bị lạc lối và không tìm được thông tin cần thiết nếu không có sự trợ giúp của công cụ hữu hiệu — có thể tự động đọc hiểu và trích rút các thông tin quan trọng từ các tài liệu trên Web. Tuy vậy, các trang web phan lớn là phi hoặc bán cấu trúc, chiếm 80% khối lượng lưu trữ trên Web; trong khi, nội dung của chúng đa phân được diễn đạt bằng ngôn ngữ tự nhiên chỉ phù hợp cho con người đọc hiểu [25]. Để máy tính có thể giúp được con người trong việc tìm kiếm thông tin thì nó phải hiểu được nội dung của văn bản, điều này thúc day nhiều kỹ thuật và ứng dụng ra đời trong đó xử lý ngôn ngữ tự nhiên (Nature Language Processing) giúp cho máy tính phan nào hiểu được ngôn ngữ con người. Hướng tiếp cận nhằm hiểu một cách đầy đủ ngữ nghĩa của một văn bản trên Web đòi hỏi phân tích ngôn từ và văn phạm được sử dụng trong văn bản phải thật chuẩn xác, nhưng đối với một nơi được cho là khá tự do và hỗn độn trong truyền tải thông tin như Internet thì điều này là không khả thi.

Một hướng tiếp cận khác hợp lý hơn là thay vì bắt buộc máy phải hiểu rõ nội dung của văn bản dưới dạng ngôn ngữ của con người thì ta chỉ cần yêu cầu chúng năm bắt được các nội dung chính quan trọng mà văn bản đó thể hiện. Các nội dung này là các chủ đề nói về các khái niệm hay về thực thể được thể hiện dưới dạng các cum tu (nhãn tham chiếu) xuất hiện trong văn bản và các mối quan hệ giữa chúng. Khai thác được các thông này sẽ giúp bố sung thêm thông tin chú thích cho nội dung các trang web dựa trên các cơ sở tri thức. Ví dụ trong một đoạn văn bản có chứa câu: "The Chicago Bulls announced yesterday that Michael Jordan will .", ta có thé xác định các thực thé trong cau gom "Chicago Bulls" là một đội bóng rổ chuyên nghiệp va "Michael Jordan" là một cầu thủ bóng rô.

Biết được thực thé trong văn ban đang nói đến đối tượng nao cũng sẽ giúp cho máy tính tìm được câu trả lời phù hợp hơn cho người dùng. Ví dụ như câu trên, "Michael Jordan" có thể là một vận động viên bóng rô hoặc là một chính trị gia người Ai-len, giả sử người dùng muốn tìm kiếm thông tin về "cầu thủ bóng rô Michael Jordan" thì việc hiểu được văn ban có chứa thực thé về cầu thủ bóng rd Michael Jordan sẽ giúp máy tinh trả về được kết quả phù hop hơn. Ngoài ra, việc máy tự động xác định các thực thé và liên kết nó với các bài viết trong nguồn tri thức như Wikipedia! sẽ giúp cho việc doc hiểu nội dung bài viết nhanh chóng hon nhờ các thông tin liên quan được chú thích dựa trên Wikipedia.