Bối cảnh và vấn đề nghiên cứu

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) là một nhánh trọng yếu của trí tuệ nhân tạo (AI), tập trung nghiên cứu các phương thức giúp máy tính hiểu, xử lý và tạo lập ngôn ngữ của con người. Trong bối cảnh thông tin số hóa phát triển mạnh mẽ cùng sự phổ biến của Internet, dữ liệu ngôn ngữ viết (văn bản) và nói (tiếng nói) trở thành dạng dữ liệu chủ đạo được lưu trữ dưới dạng điện tử. Theo đánh giá từ tập đoàn Oracle được tác giả trích dẫn, khoảng 80% khối lượng dữ liệu của nhân loại hiện nay tồn tại dưới dạng phi cấu trúc hoặc bán cấu trúc, không thể biểu diễn trong các khuôn dạng bảng biểu cố định. Do đó, nhu cầu chuyển đổi khối dữ liệu này thành dạng thông tin và tri thức hữu ích đặt ra yêu cầu cấp thiết cho các hệ thống máy tính.

Dịch máy (Machine Translation) là một trong những ứng dụng cốt lõi của xử lý ngôn ngữ tự nhiên. Mặc dù đã có lịch sử nghiên cứu và phát triển hơn 50 năm trên thế giới và hơn 20 năm tại Việt Nam, chất lượng các hệ thống dịch tự động hiện hành vẫn còn nhiều hạn chế, đặc biệt khi áp dụng cho cặp ngôn ngữ Anh - Việt. Khác biệt cơ bản về loại hình ngôn ngữ, văn hóa cùng tình trạng khan hiếm tài nguyên ngữ liệu song ngữ chuẩn là những rào cản lớn đối với các phương pháp dịch máy hiện hữu (dịch dựa trên luật, dịch máy thống kê, dịch dựa trên ví dụ). Đồ án tốt nghiệp của tác giả Nguyễn Văn Thành (ngành Công nghệ thông tin, thực hiện năm 2010 tại Hải Phòng dưới sự hướng dẫn của ThS. Vũ Mạnh Khánh) được triển khai nhằm giải quyết các nhiệm vụ cụ thể sau:

  1. Hệ thống hóa cơ sở lý thuyết về xử lý ngôn ngữ tự nhiên, lý thuyết thông tin và quy trình hoạt động của các hệ thống phân tích ngôn ngữ.
  2. Khảo sát các phương pháp dịch máy, mô hình từ điển điện tử cho máy tính (MRD), các thuật toán học máy thống kê trong gán nhãn từ loại (Maximum Entropy, Conditional Random Fields - CRFs) và đặc trưng ngữ pháp cụm từ tiếng Việt.
  3. Thiết kế và cài đặt chương trình thực nghiệm mô phỏng từ điển Việt - Anh và ứng dụng hỗ trợ dịch cụm từ Việt - Anh trên môi trường máy tính.

Đối tượng nghiên cứu của đồ án là các phương pháp mô hình hóa ngôn ngữ tự nhiên, cấu trúc từ điển điện tử đa bình diện và ngữ pháp tiếng Việt ở cấp độ từ và cụm từ. Phạm vi nghiên cứu giới hạn ở cặp ngôn ngữ Việt - Anh, tập trung vào bài toán gán nhãn từ loại và chuyển ngữ cấp độ cụm từ, được hiện thực hóa qua phần mềm thực nghiệm viết trên ngôn ngữ Visual Basic 6.0.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đồ án được xây dựng dựa trên sự giao thoa giữa khoa học máy tính, lý thuyết thông tin và ngôn ngữ học tính toán:

  • Lý thuyết thông tin (Information Theory): Tác giả sử dụng độ đo Entropy $H(X) = -\sum p(x) \log_2 p(x)$ của Shannon để lượng hóa độ hỗn độn và độ không chắc chắn của thông tin trong các mô hình ngôn ngữ. Các khái niệm liên quan bao gồm độ phức tạp (Perplexity - $2^H$), tốc độ entropy (Entropy rate - lượng hóa entropy trên từng từ của một dãy vô hạn từ) và Cross Entropy ($H(p, m)$) kết hợp độ phân kỳ Kullback-Leibler ($D(p||m)$) dùng làm cận trên để so sánh, đánh giá độ chính xác của các mô hình phân bố ngôn ngữ ($H(p) \le H(p, m)$).
  • Lý thuyết biên dịch và phân tích ngôn ngữ hình thức: Cấu trúc trình biên dịch được vận dụng như một mô hình quy niệm xử lý văn bản, phân chia thành hai kỳ: Kỳ đầu (Front End - phụ thuộc ngôn ngữ nguồn, gồm phân tích từ vựng, cú pháp, ngữ nghĩa, sinh mã trung gian) và Kỳ sau (Back End - phụ thuộc máy đích, tối ưu hóa và sinh mã). Các thuật toán phân tích cú pháp được khảo sát gồm: Phân tích từ trên xuống (Top-down), Phân tích từ dưới lên (Bottom-up theo cơ chế Shift-reduce) và thuật toán CYK (Cocke-Younger-Kasami) dựa trên văn phạm phi ngữ cảnh dạng chuẩn Chomsky (Chomsky Normal Form - CNF).
  • Mô hình học máy thống kê: Khảo sát hai giải thuật gán nhãn chuỗi gồm Mô hình Entropy cực đại (Maximum Entropy - tối ưu hóa thông qua các thuật toán IIS, GIS, L-BFGS) và Trường ngẫu nhiên có điều kiện (Conditional Random Fields - CRFs) dạng chuỗi tuyến tính tuân theo tính chất Markov bậc một, sử dụng thuật toán Viterbi trong quá trình giải mã (inference).
  • Lý thuyết ngôn ngữ học tiếng Việt: Khung miêu tả từ điển điện tử máy tính (Machine Readable Dictionary - MRD) trên 3 bình diện: hình thái, cú pháp và ngữ nghĩa (kế thừa mô hình phân loại cây ngữ nghĩa gần 100 tiểu loại từ dự án Thai Computational Lexicon - TCL của Charoenporn, 2004); hệ thống phân loại ngữ pháp tiếng Việt theo nghiên cứu của Nguyễn Kim Thản (1997) và Vũ Xuân Lương (2002).

Phương pháp nghiên cứu kết hợp giữa phân tích lý thuyết, tổng hợp tài liệu chuyên ngành, khảo sát so sánh các giải thuật tính toán và phương pháp kỹ thuật phần mềm để xây dựng chương trình mô phỏng thực nghiệm. Nguồn dữ liệu sử dụng gồm các nghiên cứu ngôn ngữ học tiếng Việt chuẩn tắc và cơ sở dữ liệu từ vựng thực nghiệm tự xây dựng trong hệ thống.

Nội dung chính theo từng chương

Chương 1: Giới thiệu về xử lý ngôn ngữ tự nhiên

Chương này khái quát các khái niệm nền tảng của trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên. Tác giả phân tích hiện tượng nhập nhằng ngôn ngữ - rào cản lớn nhất của xử lý văn bản tự động, bao gồm: nhập nhằng ranh giới từ, nhập nhằng từ đa nghĩa, nhập nhằng từ đồng âm/đồng tự và nhập nhằng từ loại (minh họa qua từ "đường" trong câu "ra chợ mua cho mẹ ít đường", máy tính cần phân định giữa "road" hay "sugar").

Phần tiếp theo trình bày toán học của lý thuyết thông tin và đi sâu vào quy trình phân tích của một trình biên dịch thông qua ví dụ biểu thức gán position := initial + rate * 60. Tác giả minh họa cụ thể quá trình bóc tách thẻ từ (token) ở pha phân tích từ vựng, dựng cây phân tích cú pháp (parse tree) dựa trên luật sinh ngữ pháp phi ngữ cảnh và pha phân tích ngữ nghĩa thực hiện kiểm tra kiểu (type checking), ép kiểu số nguyên 60 sang số thực 60.0. Cuối chương, tác giả phân loại 8 ứng dụng thực tế của xử lý ngôn ngữ tự nhiên thành 3 nhóm chuyên ngành:

  • Nhóm xử lý tiếng nói và xử lý ảnh: Nhận dạng tiếng nói, Tổng hợp tiếng nói, Nhận dạng chữ viết (OCR).
  • Nhóm xử lý văn bản: Dịch tự động (điểm qua các phần mềm như Evtrans của Softex, Vdict, Lạc Việt, Google), Tóm tắt văn bản.
  • Nhóm khai phá văn bản và Web: Tìm kiếm thông tin, Trích chọn thông tin, Phát hiện tri thức và khai phá dữ liệu văn bản.

Chương 2: Ứng dụng xử lý ngôn ngữ tự nhiên trong dịch máy

Chương 2 tập trung phân tích 4 phương pháp dịch máy: dịch dựa trên luật (Rule-based), dịch máy thống kê (SMT), dịch dựa trên ví dụ (EBMT) và dịch dựa trên ngữ liệu (Corpus-based). Tác giả chỉ rõ hạn chế của phương pháp dựa trên luật khi đòi hỏi chi phí lớn để xây dựng hệ thống luật và từ điển nhưng độ chính xác chưa tương xứng; phương pháp thống kê gặp trở ngại do thiếu ngữ liệu song ngữ Anh - Việt chuẩn; trong khi phương pháp dựa trên ví dụ đòi hỏi cơ sở dữ liệu mẫu câu có gán nhãn cú pháp chi tiết.

Để giải quyết bài toán tài nguyên, tác giả đề xuất mô hình xây dựng từ điển cho máy tính (MRD) biểu diễn tri thức trên 3 bình diện:

  1. Hình thái học: Nhận diện 6 cấu tạo từ tiếng Việt (từ đơn, từ ghép, từ láy, từ vay mượn, từ viết tắt, ký hiệu) ở mức gán nhãn bậc một.
  2. Cú pháp học: Chuẩn hóa hệ thống 14 nhãn từ loại tiếng Việt phục vụ tạo câu đúng ngữ pháp.
ID Nhãn tiếng Việt (vnPOS) Nhãn tiếng Anh (enPOS) Ký hiệu (symbolPOS)
1 Danh từ Noun N
2 Động từ Verb V
3 Tính từ Adjective A
4 Số từ Numeral M
5 Định từ Determiner D
6 Đại từ Pronoun P
7 Phụ từ Adverb R
8 Giới từ Preposition O
9 Liên từ Conjunction C
10 Trợ từ Auxiliary word I
11 Cảm từ Emotivity word E
12 Yếu tố cấu tạo từ Component stem S
13 Từ tắt Abbreviation Y
14 Không xác định Undetermined U
  1. Ngữ nghĩa học: Thiết lập ràng buộc logic dựa trên mô hình cây ngữ nghĩa phân cấp gần 100 tiểu loại (tham khảo dự án TCL gồm 60.000 mục từ Thái - Anh) phân định giữa thể từ và thuộc từ, kết hợp ràng buộc ngữ nghĩa (semantic constraint) để loại trừ các kết hợp dị thường (như "xe ăn cơm", hoặc động từ "bắt" yêu cầu hai bổ ngữ).

Chương này cũng phân tích chi tiết toán học của hai mô hình học máy thống kê Maximum Entropy và CRFs dùng trong gán nhãn từ loại, đồng thời hệ thống hóa cấu tạo ngữ pháp tiếng Việt: từ đơn vị âm tiết (tiếng), từ vựng (từ đơn, từ phức gồm từ ghép, từ láy, từ ngẫu kết) đến 6 loại cụm từ: Cụm danh từ (NP), Cụm động từ (VP), Cụm tính từ (ADJP), Cụm phó từ (ADVP), Cụm giới từ (PP), Cụm từ chỉ số lượng (QP). Cấu tạo cụm danh từ được phân tích chi tiết qua công thức 6 vị trí:

Thành phần Vị trí Chức năng ngữ pháp Ví dụ minh họa ("tất cả những cái con mèo đen ấy")
Phần phụ trước -3 Chỉ tổng lượng tất cả, hết thảy, cả
-2 Chỉ số lượng những, các, một, hai, vài, mỗi
-1 Chỉ xuất cái, con
Phần trung tâm 0 Danh từ chính / Ngữ danh từ mèo
Phần phụ sau 1 Đặc trưng miêu tả đen
2 Chỉ định ấy, này, kia

Chương 3: Chương trình thực nghiệm

Chương 3 trình bày việc hiện thực hóa các nội dung lý thuyết thành công cụ phần mềm. Tác giả giới thiệu môi trường lập trình Visual Basic 6.0, phân tích chi tiết các kiểu dữ liệu hệ thống (Boolean, Byte, Integer, Long, Single, Double, Currency, String, Variant, Object), quy tắc khai báo phạm vi biến/hằng (biến cục bộ Dim, biến toàn cục Public Const), các cấu trúc điều khiển logic (If...End If, Select Case...End Select, For...Next, While...Wend) và tập hợp các hàm xử lý chuỗi ký tự nền tảng (Trim, Len, InStr, InStrRev, Replace, StrComp, Split, Filter). Phần tiếp theo mô tả chi tiết kiến trúc phần mềm, cấu trúc dữ liệu và mã nguồn xử lý các mô-đun của chương trình mô phỏng từ điển và dịch cụm từ Việt - Anh.

Thiết kế và triển khai hệ thống thực nghiệm

Hệ thống phần mềm thực nghiệm được xây dựng nhằm cung cấp kho từ vựng Việt - Anh có cấu trúc và mô phỏng việc dịch cụm từ.

Cấu trúc cơ sở dữ liệu từ điển

Mỗi mục từ trong cơ sở dữ liệu được định nghĩa bởi 4 trường thông tin:

  • word: Dạng chuỗi ký tự hiển thị của từ tiếng Việt.
  • category: Từ loại ngữ pháp của từ (theo danh mục 14 nhãn POS).
  • type: Phạm trù ngữ nghĩa của từ (dựa trên phân cấp cây ngữ nghĩa).
  • sematic: Ngữ nghĩa tương ứng của từ trong tiếng Anh.

Về mặt vật lý, cơ sở dữ liệu từ điển được phân rã thành 27 bảng dữ liệu độc lập tương ứng với các chữ cái đầu tiên trong bảng chữ cái tiếng Việt. Thiết kế này nhằm mục đích mở rộng khả năng lưu trữ và tối ưu hóa tốc độ truy vấn tìm kiếm dữ liệu trên máy tính.

Cài đặt các chức năng chính

Phần mềm kết nối cơ sở dữ liệu thông qua thư viện ActiveX Data Objects (ADODB) với các mô-đun chức năng cụ thể:

  1. Chức năng tra từ: Người dùng nhập từ vào giao diện. Hàm laykitudau lấy ký tự đầu tiên để hàm tenbang chỉ định bảng dữ liệu mục tiêu. Truy vấn SQL được khởi tạo để tìm kiếm bản ghi:
kt = laykitudau(txt_tu1.Text)
tb = tenbang(kt)
sql = "select * from " + tb + " where word like '" & txt_tu1.Text & "'"
Set rs = New ADODB.Open sql, conn
If rs.EOF = False Then
    txt_nghia1.Text = "+ Category: " + rs.Fields("category").Value
    txt_nghia1.Text = txt_nghia1.Text + vbCrLf + "+ Type: " + rs.Fields("type").Value
    txt_nghia1.Text = txt_nghia1.Text + vbCrLf + "+ Mean: " + rs.Fields("sematic").Value
Else
    MsgBox txt_tu1.Text + vbCrLf + "Không có trong csdl", vbInformation, "Thông báo"
End If
  1. Chức năng thêm từ mới: Kiểm tra dữ liệu đầu vào, sử dụng hàm Replace để chuẩn hóa các ký tự đặc biệt (dấu nháy đơn) và hàm Trim$ loại bỏ khoảng trắng dư thừa. Chương trình kiểm tra trùng lặp từ trong bảng tương ứng trước khi thêm mới bản ghi qua phương thức mở khóa bản ghi adOpenDynamic, adLockOptimistic:
st = Left(cmb_loai.Text, 1) ' Lay ID cua tuloai
strnew = Replace(txt_tu2.Text, "'", "", 1, -1, vbTextCompare)
strnew = Trim$(strnew)
' Kiem tra loi rong va kiem tra ton tai
If rs.EOF = False Then
    loi = 4 ' Tu da co trong CSDL
Else
    Set rs = New ADODB.Open sql, conn, adOpenDynamic, adLockOptimistic
    rs.Fields("word").Value = strnew
    rs.Fields("category").Value = tuloai
    rs.Fields("sematic").Value = Trim$(txt_nghia2.Text)
End If
  1. Chức năng sửa từ: Cho phép cập nhật lại trường từ loại và trường ngữ nghĩa của các mục từ đã tồn tại trong cơ sở dữ liệu.
  2. Chức năng gán nhãn từ và dịch cụm từ: Tiếp nhận đầu vào là câu hoặc cụm từ tiếng Việt, thực hiện phân tách từ, gán nhãn thuộc tính và chuyển ngữ sang cụm từ tiếng Anh tương đương.

Kết quả và đóng góp

Đồ án ghi nhận các kết quả nghiên cứu và triển khai cụ thể:

  • Kết quả khoa học và kỹ thuật:

    • Tổng hợp có hệ thống cơ sở lý thuyết xử lý ngôn ngữ tự nhiên, các mô hình lý thuyết thông tin và quy trình phân tích ngôn ngữ học phục vụ dịch máy.
    • Đưa ra lược đồ phân loại chuẩn hóa gồm 14 nhãn từ loại và cấu trúc cây ngữ nghĩa gần 100 tiểu loại cho tiếng Việt.
    • Xác lập mô hình toán học giải thích cấu trúc phân rã 6 vị trí của cụm danh từ tiếng Việt, tạo cơ sở cho việc ánh xạ cấu trúc ngữ pháp giữa tiếng Việt và tiếng Anh.
    • Xây dựng thành công ứng dụng thực nghiệm trên Visual Basic 6.0 với giải pháp phân vùng 27 bảng cơ sở dữ liệu, đáp ứng các chức năng quản trị từ vựng, tra cứu, gán nhãn và mô phỏng dịch cụm từ.

  • Đóng góp so với các nghiên cứu trước: Tác giả chỉ ra rằng sau 20 năm nghiên cứu dịch máy tại Việt Nam, các sản phẩm đương thời (như Evtrans, Lạc Việt) vẫn gặp nhiều trở ngại về chất lượng do giải quyết chưa triệt để bài toán nhập nhằng ngữ nghĩa và thiếu hụt từ điển chuẩn cho máy tính. Đồ án đóng góp một mô hình biểu diễn từ điển điện tử đa bình diện (kết hợp đồng thời thông tin hình thái, từ loại và ràng buộc ngữ nghĩa logic) kết hợp với phân tích cú pháp cụm từ nhằm nâng cao tính chính xác trong việc xử lý ngữ nghĩa khi dịch tự động.

Hạn chế và hướng nghiên cứu tiếp

Văn bản đồ án nêu rõ các điểm hạn chế và định hướng phát triển:

  • Hạn chế:
    • Thông tin hình thái học trong từ điển điện tử mới dừng lại ở mức gán nhãn bậc một cho các đơn vị từ vựng, chưa đi sâu vào cơ chế đoán định biến đổi cấu trúc phức tạp.
    • Quá trình nghiên cứu và đánh giá các mô hình học máy thống kê (Maximum Entropy, CRFs) cho tiếng Việt gặp trở ngại lớn do thiếu các kho ngữ liệu chuẩn hóa quy mô lớn như Brown hay Penn Treebank trong tiếng Anh.
    • Phạm vi phần mềm thực nghiệm mới tập trung vào mô phỏng dịch ở cấp độ cụm từ, chưa mở rộng giải quyết trọn vẹn bài toán dịch ở cấp độ câu phức hoặc toàn văn bản.
  • Hướng nghiên cứu tiếp:
    • Mở rộng và mô tả sâu hơn các thông tin hình thái học bậc cao cho từ vựng tiếng Việt.
    • Phát triển các bộ ngữ liệu chuẩn hóa nhằm phục vụ huấn luyện và đánh giá định lượng các mô hình học máy thống kê.
    • Tối ưu hóa giải thuật phân tích cú pháp tự động và hoàn thiện hệ thống dịch máy từ cấp độ cụm từ lên cấp độ câu hoàn chỉnh.

Giá trị tham khảo

Đồ án là tài liệu học thuật hữu ích cho:

  • Sinh viên, học viên ngành Công nghệ thông tin, Khoa học máy tính và Ngôn ngữ học tính toán cần tài liệu tổng quan về các phương pháp dịch máy, quy trình phân tích của trình biên dịch và các mô hình xác suất thống kê (Entropy, Maximum Entropy, CRFs).
  • Các nhà nghiên cứu và lập trình viên phát triển hệ thống xử lý ngôn ngữ tiếng Việt: Tham khảo bảng mã hóa 14 nhãn từ loại, mô hình ràng buộc ngữ nghĩa và cấu trúc phân rã vị trí của cụm danh từ tiếng Việt.
  • Người làm đề tài kỹ thuật ứng dụng: Tham khảo phương pháp thiết kế cơ sở dữ liệu phân vùng theo chữ cái (27 bảng) và kỹ thuật lập trình tương tác dữ liệu qua ADODB trên các ngôn ngữ phát triển ứng dụng.

Câu hỏi thường gặp

1. Cấu trúc mục từ trong từ điển điện tử (MRD) của đồ án gồm những thông tin nào?
Mục từ trong từ điển được mô tả trên 3 bình diện: hình thái học (gán nhãn cấu tạo từ bậc một), cú pháp học (gán 1 trong 14 nhãn từ loại) và ngữ nghĩa học (ràng buộc logic qua cây ngữ nghĩa gần 100 tiểu loại và ràng buộc ngữ nghĩa kết hợp). Trong cơ sở dữ liệu thực nghiệm, mỗi mục từ lưu trữ 4 trường: word (dạng viết), category (từ loại), type (phạm trù ngữ nghĩa) và sematic (nghĩa tiếng Anh).

2. Vì sao cơ sở dữ liệu từ điển trong chương trình thực nghiệm lại chia thành 27 bảng?
Cơ sở dữ liệu được chia thành 27 bảng vật lý tương ứng với các chữ cái khởi đầu của từ tiếng Việt nhằm mục đích tăng khả năng lưu trữ dữ liệu của từ điển và tối ưu hóa tốc độ tìm kiếm khi truy vấn mục từ.

3. Cụm danh từ tiếng Việt được tác giả phân rã theo cấu trúc nào?
Cụm danh từ được phân rã thành 3 phần gồm 6 vị trí: Phần phụ trước gồm vị trí -3 (tổng lượng), vị trí -2 (số lượng), vị trí -1 (chỉ xuất); Phần trung tâm ở vị trí 0 (danh từ chính hoặc ngữ danh từ); Phần phụ sau gồm vị trí 1 (đặc trưng miêu tả) và vị trí 2 (chỉ định).

4. Đồ án đã khảo sát những mô hình học máy thống kê nào cho bài toán gán nhãn từ loại tiếng Việt?
Tác giả khảo sát chi tiết hai mô hình học máy thống kê là Maximum Entropy (ước lượng phân phối điều kiện dựa trên các ràng buộc kỳ vọng đặc trưng, huấn luyện qua IIS, GIS, L-BFGS) và Conditional Random Fields - CRFs (mô hình trạng thái tuyến tính vô hướng tuân theo tính chất Markov bậc một, giải mã bằng thuật toán Viterbi).

5. Khó khăn lớn nhất khi áp dụng các phương pháp học máy gán nhãn từ loại cho tiếng Việt được nêu trong đồ án là gì?
Ngoài đặc trưng riêng về loại hình ngôn ngữ đơn lập, khó khăn lớn nhất là tiếng Việt còn thiếu các kho ngữ liệu chuẩn hóa quy mô lớn (như kho ngữ liệu Brown hay Penn Treebank của tiếng Anh) để phục vụ quá trình huấn luyện, so sánh và đánh giá độ chính xác của các mô hình.

Kết luận

Đồ án tốt nghiệp của sinh viên Nguyễn Văn Thành đã hệ thống hóa toàn diện các vấn đề lý thuyết cốt lõi trong xử lý ngôn ngữ tự nhiên, từ lý thuyết thông tin, kỹ thuật phân tích biên dịch đến các mô hình học máy thống kê trong dịch tự động. Công trình đã làm rõ đặc trưng ngữ pháp tiếng Việt thông qua hệ thống 14 nhãn từ loại, mô hình ràng buộc ngữ nghĩa và cấu trúc phân rã cụm từ chi tiết. Đồng thời, tác giả đã hiện thực hóa thành công phần mềm thực nghiệm trên Visual Basic 6.0 với giải pháp tổ chức cơ sở dữ liệu 27 bảng tối ưu, đáp ứng các chức năng quản trị từ điển, gán nhãn và dịch cụm từ Việt - Anh.