Tổng quan luận án

Luận án tiến sĩ kỹ thuật với đề tài "Nghiên cứu ngữ nghĩa và hiện tượng nhập nhằng trong tiếng Việt, tiếp cận xử lý vấn đề viết tắt tiếng Việt" được thực hiện bởi nghiên cứu sinh Nguyễn Nho Túy dưới sự hướng dẫn khoa học của PGS. Phan Huy Khánh tại Đại học Bách Khoa, Đại học Đà Nẵng. Công trình thuộc chuyên ngành Khoa học máy tính, mã số 62.01, bảo vệ năm 2020.

Trong ngôn ngữ giao tiếp và văn bản hàng ngày, chữ viết tắt (CVT) được sử dụng thường xuyên nhằm mục đích tiết kiệm thời gian, công sức và tăng dung lượng thông tin truyền tải. Tuy nhiên, người viết thường mặc định người đọc nắm rõ ý nghĩa của CVT, trong khi người tiếp nhận có sự khác biệt về trình độ, độ tuổi, kinh nghiệm và chuyên ngành. Sự biến đổi ngữ nghĩa theo không gian, thời gian và ngữ cảnh dẫn đến hiện tượng hiểu sai hoặc phát sinh nghĩa mới (tiêu biểu như trường hợp chữ viết tắt ST trong câu chuyện "Người ăn cắp cừu" hay bí danh TTKH trong văn học). Trong lĩnh vực Công nghệ thông tin (CNTT) và Xử lý ngôn ngữ tự nhiên (XLNNTN), việc xử lý văn bản ở các cấp độ từ, câu, ngữ cảnh cho đến nhận dạng tiếng nói, nhận dạng ký tự quang học (OCR), trích chọn thông tin và dịch máy đều gặp phải dữ liệu CVT mang tính đa nghĩa, không nhất quán và nhập nhằng. Các nghiên cứu trước đây tại Việt Nam chủ yếu dừng lại ở việc xuất bản các cuốn từ điển giấy hoặc xử lý cục bộ trên tập ngữ liệu hẹp, chưa có công trình nào nghiên cứu một cách hệ thống, đầy đủ về quy tắc hình thành, biến đổi ngữ nghĩa, xử lý nhập nhằng và thiết lập môi trường khai thác CVT tiếng Việt.

Mục tiêu nghiên cứu của luận án được xác định gồm 4 nội dung cụ thể:

  1. Nghiên cứu, phát hiện tri thức và xây dựng kho ngữ liệu chữ viết tắt tiếng Việt.
  2. Tổng kết các quy tắc hình thành chữ viết tắt, xây dựng hệ thống khai thác chữ viết tắt.
  3. Đề xuất chuẩn hóa chữ viết tắt và triển khai giải pháp xử lý nhập nhằng chữ viết tắt.
  4. Xây dựng công cụ, ứng dụng và khai thác chữ viết tắt trong thực tiễn.

Luận án triển khai theo 3 nội dung chính:

  1. Nghiên cứu ngữ nghĩa và vấn đề nhập nhằng ngữ nghĩa trong tiếng Việt, tiếp cận vấn đề chữ viết tắt tiếng Việt.
  2. Nghiên cứu tiếp cận xử lý chữ viết tắt tiếng Việt.
  3. Xây dựng môi trường khai thác chữ viết tắt tiếng Việt.

Đối tượng nghiên cứu bao gồm bản chất ngôn ngữ tự nhiên, ngữ pháp tiếng Việt, các phương pháp và kỹ thuật XLNNTN/XLTV; tri thức của các chuyên gia ngôn ngữ và tin học; các dạng CVT trong văn bản, sách báo, website tiếng Việt, tiếng Anh và ngôn ngữ dân tộc thiểu số; sự hình thành CVT trong đời sống xã hội, dần thu hẹp vào lĩnh vực viễn thông và CNTT.

Phạm vi nghiên cứu:

  • Về mặt lý thuyết: Tập trung vào các phương pháp xử lý văn bản, ngữ nghĩa học, hiện tượng nhập nhằng và kỹ thuật khử nhập nhằng trong XLTV.
  • Về phạm vi sử dụng CVT: Khảo sát diện rộng trong đời sống xã hội nhưng tập trung nghiên cứu sâu trong lĩnh vực khoa học, công nghệ, kỹ thuật và viễn thông - CNTT.
  • Về môi trường ứng dụng: Xây dựng kho ngữ liệu, phát triển công cụ trực tuyến, ứng dụng trên thiết bị di động và giới hạn giải pháp khử nhập nhằng trong lĩnh vực viễn thông - CNTT.

Tổng quan tài liệu và vị trí của luận án

Lĩnh vực XLNNTN trên thế giới phát triển qua nhiều giai đoạn: giai đoạn 1940-1950 tập trung vào máy tự động và mô hình xác suất; giai đoạn 1957-1970 phát triển lý thuyết ngữ pháp hình thức của Noam Chomsky và phương pháp Bayes; giai đoạn 1970-1983 mở rộng các mô hình tính toán; giai đoạn 1983-1993 quay lại mô hình trạng thái hữu hạn, xác suất và phân tích cú pháp, gán nhãn từ loại; giai đoạn từ 1994 đến nay tập trung vào truy xuất thông tin, trích chọn dữ liệu web và dịch máy thống kê (như Google Dịch từ năm 2007).

Về vấn đề khử nhập nhằng trong tiếng Anh, các công trình của Wilks và Stevenson (1997) đã đặt nền tảng với hai hướng tiếp cận: dựa vào thông tin ngữ cảnh cụ thể và dựa vào việc học từ tập ngữ liệu. Nhiều nghiên cứu kết hợp mô hình thống kê đồng nghĩa để xác định nghĩa của từ. Trong y học, các hệ thống như MetaMap, MedLEE, cTAKES được phát triển để nhận dạng và khử nhập nhằng CVT trong bệnh án tóm tắt; các nghiên cứu sử dụng mạng neural Word Embedding, Machine Learning và mạng từ (Word Sense Disambiguation - WSD) được áp dụng rộng rãi. Đối với tiếng Trung và tiếng Do Thái, các tác giả sử dụng phương pháp học máy dựa trên tính nhất quán văn bản để nhận diện từ viết tắt.

Tại Việt Nam, các nghiên cứu xử lý tiếng Việt được triển khai từ năm 1990:

  • Về mã hóa và bộ gõ: Phát triển các bộ gõ Unikey, Vietkey, WinVNKey và đưa tiếng Việt vào bảng mã Unicode chuẩn.
  • Về tách từ: Ứng dụng mô hình chuyển đổi trạng thái trọng số hữu hạn (WFST), bộ công cụ JVNSegmenter, vnTokenizer, phương pháp Pointwise.
  • Về kho ngữ liệu: Trung tâm Từ điển học Vietlex xây dựng kho ngữ liệu chứa khoảng 100 triệu âm tiết; các công trình xây dựng ngữ liệu song ngữ Anh - Việt (80.000 cặp câu Kinh tế - Xã hội, 20.000 cặp câu Tin học), kho ngữ liệu tiếng Việt - Ê Đê.
  • Về dịch máy: Phát triển phần mềm dịch tự động EVTRAN 2.0 và website Vdict.
  • Về xử lý nhập nhằng tiếng Việt: Các công trình nghiên cứu khử nhập nhằng trong tra cứu tài liệu giảng dạy, tìm kiếm văn bản từ tập ngữ liệu và khử nhập nhằng trong bài toán tách từ.
  • Về chữ viết tắt tiếng Việt: Các nghiên cứu về hiện tượng nói tắt và viết tắt (trên Tạp chí Ngôn ngữ và Đời sống, 2003); biểu diễn ngữ cảnh trong mở rộng viết tắt bằng học máy; chuẩn hóa văn bản tiếng Việt theo tập luật. Các cuốn từ điển viết tắt chuyên ngành y học, viễn thông, kinh tế - xã hội đã được biên soạn.

Khoảng trống nghiên cứu được luận án chỉ ra: Các công trình trong nước chủ yếu dừng lại ở mức độ tập hợp từ điển tĩnh phục vụ tra cứu thủ công hoặc thử nghiệm trên tập ngữ liệu hẹp; chưa có công trình nào nghiên cứu toàn diện từ bản chất ngôn ngữ học, quy tắc hình thành cho đến xây dựng môi trường khai thác dạng hệ sinh thái mở và giải pháp hình thức hóa (logic vị từ, cơ sở luật, máy suy diễn kết hợp phân tích tần số/tần suất) để xử lý triệt để hiện tượng nhập nhằng CVT tiếng Việt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án sử dụng các hệ thống lý thuyết và khái niệm chuyên ngành:

  • Lý thuyết ngôn ngữ học và ngữ nghĩa học: Ngôn ngữ là hệ thống tín hiệu vật chất đặc biệt gồm vỏ âm thanh (cái biểu hiện) và ý nghĩa (cái được biểu hiện). Tác giả vận dụng mô hình tháp nghĩa để phân tích các thành phần: nghĩa biểu vật, nghĩa biểu niệm, nghĩa phong cách/liên hội/biểu thái, nghĩa cấu trúc và giá trị chức năng.
  • Biến đổi từ vựng và ngữ nghĩa: Hai con đường xuất hiện từ ngữ mới gồm cấu tạo từ chất liệu nội sinh (phương thức phức hợp, rút gọn, viết tắt) và vay mượn tiếng nước ngoài. Các phương thức chuyển nghĩa được xem xét gồm hoán dụ, ẩn dụ và giữ nguyên vỏ ngữ âm cho khái niệm mới.
  • Lý thuyết ngôn ngữ hình thức và quy trình XLNNTN: Khảo sát 5 bước xử lý văn bản (phân tích hình thái, cú pháp, ngữ nghĩa, tích hợp văn bản, phân tích thực nghĩa).
  • Lý thuyết hệ sinh thái phần mềm (Software Ecosystems - SECO): Vận dụng mô hình hóa kiến trúc để thiết kế hệ thống AMES nhằm kết nối các tác nhân: người dùng (NSD), chuyên gia nghiên cứu, doanh nghiệp, lập trình viên và nhà cung cấp hạ tầng.

Phương pháp nghiên cứu kết hợp ba hướng:

  1. Khảo sát thực tế: Khảo sát việc sử dụng CVT trên báo chí, văn bản quản lý nhà nước (Thông tư liên tịch 55/2005/TTLT-BNV-VPCP, Thông tư 01/2011/TT-BNV), dữ liệu mạng Internet, cơ sở dữ liệu chuyên ngành viễn thông của VNPT; phỏng vấn chuyên gia để thu thập và kiểm chứng dữ liệu.
  2. Nghiên cứu lý thuyết: Hình thức hóa các quy tắc ngôn ngữ thành vị từ, hàm xử lý chuỗi; xây dựng cơ sở luật và mô hình máy suy diễn logic; sử dụng ngôn ngữ mô hình hóa UML để thiết kế hệ thống.
  3. Nghiên cứu thực nghiệm: Thu thập dữ liệu thực tế, cài đặt các thuật toán đề xuất (SENVA, SAOM-FTS, CSBCOM, AFVAI), xây dựng website, ứng dụng di động và đo lường các chỉ số thống kê tần số, tần suất xuất hiện CVT.

Nguồn dữ liệu thực nghiệm bao gồm: Kho ngữ liệu khoảng 7.000 CVT tiếng Việt (nội sinh và ngoại lai); hệ thống dữ liệu tác nghiệp, danh bạ, mã thanh toán cước viễn thông; tập dữ liệu tin nhắn thương hiệu (SMS Brandname) và kho văn bản thu thập từ Internet.

Nội dung chính theo từng chương

Chương 1: Vấn đề chữ viết tắt tiếng Việt

Chương 1 hệ thống hóa cơ sở lý luận ngôn ngữ học, ngôn ngữ hình thức và các bước cơ bản trong xử lý ngôn ngữ tự nhiên. Tác giả phân tích lịch sử hình thành chữ Quốc ngữ từ thế kỷ XVII qua các công trình của các giáo sĩ Dòng Tên và Alexandre de Rhodes, lịch sử chữ Nôm từ thế kỷ XIII với các yếu tố giản lược nét, cùng lịch sử sử dụng CVT từ thời La Mã cổ đại ($SPQR$). Luận án so sánh hiện tượng "tắt hóa" trong các ngôn ngữ phương Tây (tiếng Pháp, Đức, Nga) và trong ngôn ngữ dân tộc thiểu số tại Việt Nam (tiếng Ê Đê có xu hướng đơn tiết hóa, làm ngắn từ so với tiếng Melayu).

Tác giả đưa ra định nghĩa về ngữ nghĩa của chữ viết tắt: là mối liên hệ xác lập trong nhận thức con người giữa CVT và đối tượng mà nó biểu thị, tồn tại bên trong hệ thống ngôn ngữ. Luận án phân loại các hiện tượng nhập nhằng CVT:

  • Đa nghĩa trong văn bản đơn ngữ (ví dụ: $VH$ là Văn hóa hoặc Văn học; $KCS$ là Kiểm tra chất lượng sản phẩm hoặc Kinh cầu siêu).
  • Đa nghĩa trong văn bản đa ngữ (ví dụ: $CN$ là Công nghiệp, Châm ngôn trong tiếng Việt; Cartoon Network, Common Name trong tiếng Anh).
  • Sử dụng tùy tiện, không theo quy luật hoặc mang tính cục bộ địa phương (ví dụ: $Cao\ X\grave{a}\ L\acute{a}$ chỉ Cao su - Xà phòng - Thuốc lá; $SKZ$ chỉ súng không giật).
  • Pha trộn chữ và số ($4U$, $B2C$).

Chương 2: Xây dựng hệ thống khai thác chữ viết tắt tiếng Việt

Chương 2 mô hình hóa các tình huống hình thành CVT tiếng Việt bằng lý thuyết tập hợp và sơ đồ khối, đồng thời tổng hợp 9 quy tắc hình thành CVT. Luận án áp dụng lý thuyết hệ sinh thái phần mềm để thiết kế Hệ thống khai thác chữ viết tắt tiếng Việt (AMES - Abbreviations Management Exploit System). Hệ thống AMES được đặc tả chi tiết bằng các biểu đồ UML, xác định vai trò và mối quan hệ tương tác giữa 5 tác nhân chính: người sử dụng, chuyên gia nghiên cứu ngôn ngữ/tin học, doanh nghiệp, lập trình viên và nhà cung cấp hạ tầng kỹ thuật. AMES đóng vai trò là nền tảng trung tâm tích hợp kho ngữ liệu, công cụ thu thập, module xử lý nhập nhằng và các giao diện lập trình ứng dụng (API).

Chương 3: Xây dựng nguồn tài nguyên chữ viết tắt

Chương 3 tập trung vào thiết kế mô hình cơ sở dữ liệu quan hệ lưu trữ kho ngữ liệu CVT và giải pháp thu thập dữ liệu kết hợp thủ công và tự động. Tác giả đề xuất thuật toán SENVA (Search Engines New Vietnamese Abbreviations) nhằm tự động tìm kiếm, phát hiện các CVT mới xuất hiện trên mạng Internet thông qua các công cụ tìm kiếm và cập nhật vào kho ngữ liệu.

Luận án trình bày kết quả ứng dụng dữ liệu CVT vào việc chuẩn hóa cơ sở dữ liệu chuyên ngành viễn thông và xây dựng bảng mã danh mục quốc gia. Các số liệu thực nghiệm được tổng hợp trong các bảng thống kê nghiệp vụ:

Bảng Tên bảng thống kê trong luận án Trang
Bảng 3.1 Thống kê số liệu tác nghiệp 63
Bảng 3.2 Thống kê CSDL tác nghiệp 63
Bảng 3.3 CSDL Danh mục chuyên ngành 66
Bảng 3.4 CSDL Danh mục hình thức thanh toán 66
Bảng 3.5 Bảng mã vùng thanh toán 67
Bảng 3.6 CSDL danh mục quốc gia chuyên ngành 69
Bảng 3.7 Bảng thống kê sử dụng chữ viết tắt 70
Bảng 3.8 Thống kê số liệu sử dụng giải pháp CVT 71

Kết quả xây dựng kho ngữ liệu đã thu thập, biên tập, chuẩn hóa và phân lớp được khoảng 7.000 mục từ viết tắt tiếng Việt và ngoại lai, từng bước thiết lập từ điển song ngữ Việt - Anh cho các mục từ thông dụng.

Chương 4: Xây dựng công cụ khai thác chữ viết tắt

Chương 4 mô tả quá trình lập trình và triển khai các công cụ thành phần trong hệ sinh thái AMES:

  • Website Thư viện chữ viết tắt: Công cụ tra cứu trực tuyến hỗ trợ người dùng tìm kiếm ngữ nghĩa CVT theo ngữ cảnh và chuyên ngành.
  • Công cụ tư vấn chữ viết tắt thương hiệu (Brandname): Đề xuất thuật toán CSBCOM (Consultant SMS brandname to the company) sử dụng cây phân tích chuỗi và gán trọng số nhằm hỗ trợ doanh nghiệp tạo tên viết tắt cho dịch vụ tin nhắn thương hiệu, tránh trùng lặp và tranh chấp bản quyền.
  • Từ điển chữ viết tắt trên thiết bị di động (ABC Acronym Dictionary): Đề xuất thuật toán SAOM-FTS (Search on mobile abbreviations-used Full Text Search) cho phép tra cứu toàn văn, đồng bộ dữ liệu với máy chủ AMES và cá nhân hóa việc lưu trữ tần suất sử dụng của từng cá nhân.

Các bảng dữ liệu và kết quả đánh giá thử nghiệm trong chương:

Bảng Tên bảng dữ liệu / kết quả thực nghiệm Trang
Bảng 4.1 Bảng NGHIA_CVT_DACBIET 80
Bảng 4.2 Bảng HUAN_LUYEN 80
Bảng 4.3 Kết quả tạo chữ viết tắt Brandname 82
Bảng 4.4 Thử nghiệm tư vấn Brandname và sự lựa chọn của khách hàng 82
Bảng 4.5 Kết quả so sánh các tác nhân AMES và SECO 90

Chương 5: Xử lý nhập nhằng chữ viết tắt

Chương 5 trình bày giải pháp giải quyết hiện tượng nhập nhằng CVT trong văn bản chuyên ngành viễn thông. Tác giả tiến hành hình thức hóa tri thức nhận diện văn bản thông qua:

  • Xây dựng hệ thống 27 vị từ điều khiển và nhận diện CVT.
  • Xây dựng 12 hàm xử lý chuỗi phục vụ phân tích ngữ cảnh.
  • Thiết lập cơ sở gồm 12 luật logic làm đầu vào cho máy suy diễn nhận diện và gán nghĩa chính xác cho CVT.

Song song với phương pháp suy diễn theo luật, luận án đề xuất phương pháp thống kê tần số ($f$) và tần suất ($P$) xuất hiện của CVT trên mạng Internet. Thuật toán AFVAI (Assessment frequency Vietnamese abbreviations on the Internet) được xây dựng và cài đặt để tự động đo lường độ phổ biến của các nghĩa viết tắt. Việc kết hợp máy suy diễn logic với chỉ số tần suất cực đại cho phép khử nhập nhằng hiệu quả khi văn bản thiếu ngữ cảnh rõ ràng.

Các bảng biểu thực nghiệm và đánh giá trong chương 5:

Bảng Tên bảng thực nghiệm / tính toán Trang
Bảng 5.1 Bảng thống kê sử dụng chữ viết tắt (mẫu gửi đi) 92
Bảng 5.2 Bảng vị từ và hàm 98
Bảng 5.3 Tính toán tần suất xuất hiện CVT trong một phạm vi chỉ định 110
Bảng 5.4 Kết quả thực hiện tính toán tần số sử dụng, tần suất xuất hiện CVT 114
Bảng 5.5 Tương quan tần suất CVT và thị phần dịch vụ 116

Kết quả và những đóng góp mới

Luận án tổng kết các kết quả đạt được và các đóng góp khoa học, thực tiễn chính:

  1. Về mặt ngữ liệu và quy tắc ngôn ngữ:

    • Xây dựng kho ngữ liệu chuẩn hóa gồm khoảng 7.000 CVT tiếng Việt và từ mượn ngoại nhập, hỗ trợ chuyển đổi song ngữ Việt - Anh cho các từ thông dụng.
    • Tổng kết và công bố 9 quy tắc hình thành chữ viết tắt tiếng Việt, làm cơ sở lý luận cho việc nghiên cứu sự phát triển từ vựng mới trong tiếng Việt hiện đại.

  2. Về mặt kiến trúc hệ thống:

    • Đề xuất và mô hình hóa thành công hệ thống AMES dựa trên kiến trúc hệ sinh thái phần mềm, kết nối các đối tượng người dùng, nhà nghiên cứu, doanh nghiệp và nhà phát triển ứng dụng.

  3. Về mặt phương pháp và giải pháp xử lý nhập nhằng:

    • Xây dựng hệ thống công cụ hình thức gồm 27 vị từ nhận diện, 12 hàm xử lý chuỗi và 12 luật suy diễn logic trong lĩnh vực viễn thông.
    • Xây dựng phương pháp đo lường tần số, tần suất xuất hiện của CVT trên Internet nhằm bổ trợ cho quá trình khử nhập nhằng dựa trên xác suất cực đại.

  4. Về mặt thuật toán và công cụ ứng dụng:

    • Đề xuất và cài đặt thực nghiệm 4 thuật toán chuyên dụng:
      • Thuật toán SENVA: Tự động tìm kiếm và thu thập CVT mới từ Internet.
      • Thuật toán SAOM-FTS: Tra cứu toàn văn và đồng bộ dữ liệu từ điển trên thiết bị di động.
      • Thuật toán CSBCOM: Tư vấn và sinh tên viết tắt thương hiệu doanh nghiệp (Brandname).
      • Thuật toán AFVAI: Đánh giá tần số, tần suất CVT trên môi trường mạng.
    • Triển khai hai sản phẩm phần mềm hoàn chỉnh: Website Thư viện chữ viết tắt và Ứng dụng từ điển di động ABC Acronym Dictionary.
    • Đề xuất giải pháp chuẩn hóa mã danh mục trong cơ sở dữ liệu chuyên ngành viễn thông và kiến nghị áp dụng CVT trong xây dựng bảng mã danh mục chuẩn quốc gia.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án:

  • Phạm vi thực nghiệm máy suy diễn và cơ sở luật xử lý nhập nhằng mới tập trung chủ yếu vào văn bản thuộc lĩnh vực chuyên ngành viễn thông và CNTT, chưa bao phủ toàn diện các chuyên ngành khác như y tế, kinh tế, giáo dục hay quân sự.
  • Kho ngữ liệu 7.000 mục từ tuy đã đáp ứng được các thử nghiệm nhưng cần tiếp tục mở rộng để theo kịp tốc độ phát sinh từ ngữ mới trên mạng xã hội và các kênh truyền thông số.
  • Phần biên dịch song ngữ Việt - Anh cho các mục từ viết tắt chỉ mới hoàn thiện ở giai đoạn đầu cho các từ thông dụng.

Hướng nghiên cứu tiếp theo:

  • Mở rộng tập luật và hệ thống vị từ sang các lĩnh vực chuyên ngành khác nhằm hoàn thiện bộ máy suy diễn đa miền.
  • Nâng cấp các thuật toán máy học tự động hóa việc sinh luật từ các tập ngữ liệu lớn thay cho việc thiết lập luật bán thủ công.
  • Hoàn thiện tính năng của hệ sinh thái AMES, mở rộng kho ngữ liệu trực tuyến và nâng cao hiệu năng đồng bộ của ứng dụng từ điển trên các nền tảng di động khác nhau.
  • Tiếp tục đề xuất với các cơ quan quản lý nhà nước về việc áp dụng quy tắc chuẩn hóa chữ viết tắt vào hệ thống danh mục điện tử dùng chung quốc gia.

Giá trị tham khảo

Luận án có giá trị tham khảo chuyên môn đối với các nhóm đối tượng:

  • Nghiên cứu sinh, học viên và giảng viên ngành Khoa học máy tính, Công nghệ thông tin: Tham khảo phương pháp hình thức hóa ngôn ngữ tự nhiên, kỹ thuật xây dựng máy suy diễn nhận diện ngữ nghĩa và mô hình kiến trúc hệ sinh thái phần mềm (AMES).
  • Các nhà nghiên cứu Ngôn ngữ học: Sử dụng các tư liệu phân tích về lịch sử chữ viết tắt, 9 quy tắc hình thành CVT tiếng Việt, hiện tượng "tắt hóa" và sự biến đổi ngữ nghĩa của từ vựng tiếng Việt trong kỷ nguyên số.
  • Kỹ sư phát triển phần mềm và hệ thống NLP: Tham khảo mã nguồn, thuật toán và cấu trúc cơ sở dữ liệu của các thuật toán SENVA, SAOM-FTS, CSBCOM, AFVAI để áp dụng vào các bài toán xử lý văn bản, chuẩn hóa dữ liệu đầu vào cho OCR, nhận dạng tiếng nói và dịch máy.
  • Cán bộ quản lý dữ liệu và hoạch định chính sách: Tham khảo giải pháp xây dựng bảng mã danh mục chuyên ngành và phương án chuẩn hóa hệ thống mã định danh trong các cơ sở dữ liệu dùng chung cấp quốc gia.

Câu hỏi thường gặp

1. Hệ thống khai thác chữ viết tắt tiếng Việt (AMES) hoạt động dựa trên mô hình nào và liên kết các đối tượng nào? AMES được thiết kế dựa trên mô hình hệ sinh thái phần mềm (Software Ecosystems - SECO), mô hình hóa bằng ngôn ngữ UML. Hệ thống đóng vai trò làm trung tâm chia sẻ dữ liệu và công cụ, kết nối tương tác giữa 5 đối tượng tác nhân: Người sử dụng (NSD), chuyên gia nghiên cứu (ngôn ngữ và tin học), doanh nghiệp, lập trình viên và nhà cung cấp hạ tầng.

2. Luận án đã đề xuất và cài đặt thực nghiệm những thuật toán nào? Luận án đề xuất và triển khai 4 thuật toán chính:

  • SENVA (Search Engines New Vietnamese Abbreviations): Thuật toán tìm kiếm và cập nhật tự động CVT mới từ Internet.
  • SAOM-FTS (Search on mobile abbreviations-used Full Text Search): Thuật toán tìm kiếm toàn văn và đồng bộ dữ liệu từ điển trên thiết bị di động.
  • CSBCOM (Consultant SMS brandname to the company): Thuật toán tư vấn đặt tên viết tắt tin nhắn thương hiệu cho doanh nghiệp dựa trên cây phân tích chuỗi và trọng số.
  • AFVAI (Assessment frequency Vietnamese abbreviations on the Internet): Thuật toán thống kê và đánh giá tần số, tần suất xuất hiện của CVT trên mạng Internet.

3. Cơ chế khử nhập nhằng chữ viết tắt trong văn bản của luận án gồm các thành phần hình thức nào? Giải pháp khử nhập nhằng kết hợp giữa máy suy diễn logic và thống kê tần suất. Về mặt logic, tác giả xây dựng 27 vị từ điều khiển/nhận diện, 12 hàm xử lý chuỗi và 12 luật suy diễn dựa trên ngữ cảnh văn bản chuyên ngành viễn thông. Khi ngữ cảnh chưa đủ để xác định nghĩa duy nhất, hệ thống sử dụng thuật toán AFVAI để tính toán và lựa chọn nghĩa có tần suất ($P$) xuất hiện cao nhất trên môi trường Internet.

4. Quy mô kho ngữ liệu chữ viết tắt được xây dựng trong luận án đạt mức độ nào? Kho ngữ liệu của luận án đã lưu trữ và chuẩn hóa khoảng 7.000 mục từ viết tắt tiếng Việt (bao gồm cả các từ viết tắt nội sinh và các từ vay mượn ngoại lai), được phân loại theo các chuyên ngành tác nghiệp và bước đầu thiết lập dữ liệu song ngữ Việt - Anh cho các mục từ thông dụng.

5. Luận án đề xuất ứng dụng chữ viết tắt vào việc xây dựng cơ sở dữ liệu quốc gia như thế nào? Tác giả đề xuất sử dụng CVT có tính chất gợi nhớ để mã hóa các phần tử mạng lưới viễn thông, danh mục hình thức thanh toán, danh mục mã vùng cước và kiến nghị các cơ quan chức năng ban hành bộ mã chuẩn cơ sở dữ liệu danh mục quốc gia ưu tiên sử dụng CVT chuẩn hóa, giúp việc chia sẻ và đồng bộ dữ liệu giữa các bộ ngành diễn ra thuận tiện.

Kết luận

Luận án tiến sĩ kỹ thuật của tác giả Nguyễn Nho Túy đã giải quyết một cách có hệ thống vấn đề chữ viết tắt và hiện tượng nhập nhằng ngữ nghĩa của chữ viết tắt tiếng Việt từ góc độ ngôn ngữ học tính toán và khoa học máy tính. Bằng việc kết hợp phương pháp nghiên cứu lý thuyết, khảo sát thực tế và thực nghiệm phần mềm, tác giả đã xây dựng thành công kho ngữ liệu 7.000 mục từ, đề xuất 9 quy tắc hình thành CVT, thiết lập kiến trúc hệ sinh thái AMES cùng 4 thuật toán chuyên dụng (SENVA, SAOM-FTS, CSBCOM, AFVAI) và mô hình máy suy diễn xử lý nhập nhằng gồm 27 vị từ, 12 hàm và 12 luật. Các kết quả của công trình không chỉ đóng góp cơ sở khoa học cho lĩnh vực xử lý tiếng Việt mà còn mang lại các công cụ ứng dụng cụ thể trong quản lý viễn thông, tin nhắn thương hiệu và tra cứu từ điển số.