Luận văn: Phân tích cú pháp trong tổng hợp tiếng nói tiếng Việt

Luận văn phân tích cú pháp tiếng Việt trong tổng hợp tiếng nói. Nghiên cứu chuyên sâu về ngữ pháp, cấu trúc câu để tạo giọng nói tự nhiên, truyền cảm.

• Tác giả: Lễ Quang Thắng
• Người hướng dẫn: PGS. Trần Đỗ Đạt
• Trường học: Trường Đại học Bách Khoa Hà Nội
• Chuyên ngành: Công nghệ Thông tin và Truyền thông
• Đề tài: Phân tích cú pháp cho tổng hợp tiếng nói tiếng Việt
• Loại tài liệu: Luận văn tốt nghiệp
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• Danh mục các bảng trong luận văn
• Danh mục các hình trong luận văn
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Bài toán phân tích cú pháp
• 1.2. Vai trò của phân tích cú pháp trong tổng hợp tiếng nói
• 1.3. Mục tiêu và nội dung của luận văn
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU TỔNG QUAN VỀ PHÂN TÍCH CÚ PHÁP
• 2.1. Tiếp cận cấu trúc sử dụng Treebank cho phân tích cú pháp
• 2.2. Mô tả phân hàn tập dữ liệu Treebank
• 2.3. Hiện trạng các hướng nghiên cứu cho phân tích cú pháp
• 2.3.1. Mô hình xác suất PCFG
• 2.3.2. Các mô hình Generative
• 2.3.3. Các mô hình Discriminative
• 2.3.4. Thuật toán Perceptron cấu trúc
• 2.4. Các nghiên cứu về phân tích cú pháp tăng tốc
• 3. CHƯƠNG 3: HỆ THỐNG PHÂN TÍCH CÚ PHÁP SHIFT-REDUCE
• 3.1. Lý thuyết cơ sở về hệ thống phân tích shift-reduce
• 3.2. Khái niệm state và action trong phân tích shift-reduce
• 3.3. Quá trình phân tích cú pháp shift-reduce
• 3.4. Huấn luyện hệ thống phân tích shift-reduce sử dụng thuật toán Perceptron
• 3.5. Bài toán tìm kiếm trong hệ thống phân tích shift-reduce
• 3.6. Hệ thống phân tích shift-reduce việc dụng (Beam Search) Best First Search (BES)
• 3.7. Các nghiên cứu đi trước về BFS cho phân tích cú pháp shift-reduce
• 3.8. Hệ thống phân tích cú pháp shift-reduce sử dụng BES của luận văn
• 3.9. Trọng số âm và cách giải quyết
• 3.10. Chương trình quy hoạch động cho phân tích shift-reduce
• 3.11. Đánh giá hiệu năng của hệ thống phân tích shift-reduce sử dụng BES
• 4. CHƯƠNG 4: SỬ DỤNG THUẬT TOÁN A* CHO HỆ THỐNG PHÂN TÍCH SHIFT-REDUCE
• 4.1. Hạn chế của hệ thống phân tích shift-reduce với tìm kiếm BES
• 4.2. Bộ đặc trưng sử dụng thông tin bề mặt
• 4.3. Sử dụng ước lượng A* để tăng tốc độ phân tích của hệ thống
• 4.3.1. Phép chiếu GP (Grammar Projection)
• 4.3.2. Phép chiếu LF (Less Feature)
• 4.3.3. Phép chiếu kết hợp giữa GP và LF
• 5. CHƯƠNG 5: ĐÁNH GIÁ VÀ THỰC NGHIỆM HỆ THỐNG
• 5.1. Chuẩn bị thử nghiệm
• 5.2. Kết quả thử nghiệm với hệ thống phân tích cú pháp
• 5.3. Kết quả thử nghiệm với hệ thống tổng hợp tiếng nói
• Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Về Ứng Dụng Phân Tích Cú Pháp cho Tổng Hợp Tiếng Việt

Tổng hợp tiếng nói (TTS) là quá trình chuyển đổi văn bản thành giọng nói nhân tạo. Đây là lĩnh vực nghiên cứu ứng dụng cao, được quan tâm rộng rãi trên thế giới và tại Việt Nam. Ứng dụng của tổng hợp tiếng nói có thể thấy trong nhiều hệ thống, như hỗ trợ đọc văn bản cho người khuyết tật, trả lời tự động tại tổng đài, hoặc chỉ đường trong phương tiện vận tải. Chất lượng của một hệ thống TTS được đánh giá dựa trên mức độ tự nhiên và dễ nghe. Mức độ tự nhiên thể hiện sự tương đồng giữa giọng nói tổng hợp và giọng nói tự nhiên, trong khi mức độ dễ nghe đánh giá khả năng người nghe hiểu được giọng nói tổng hợp. Một hệ thống tổng hợp tốt cần cân bằng cả hai yếu tố này. Phân tích cú pháp đóng vai trò quan trọng trong việc cung cấp thông tin về ngữ âm và ngữ điệu cho tiếng nói tổng hợp, ảnh hưởng đến chất lượng của bộ tổng hợp tiếng nói. Nghiên cứu các thành phần ngữ pháp của một câu văn bản là rất hứa hẹn trong việc tăng chất lượng của bộ tổng hợp tiếng nói tiếng Việt. Tuy nhiên, việc áp dụng kết quả của phân tích cú pháp tiếng Việt vào hệ thống tổng hợp tiếng nói vẫn còn hạn chế. Do đó, việc xây dựng một hệ thống phân tích cú pháp tiếng Việt có hiệu năng cao để cải thiện chất lượng của hệ thống tổng hợp tiếng Việt là một hướng đi đầy triển vọng. Trong khuôn khổ hiểu biết của người làm luận văn, có thể kể đến một số nghiên cứu phổ biến trên thế giới về việc áp dụng phân tích cú pháp vào tổng hợp tiếng nói (đặc biệt là cho tiếng Việt) như tạo ra cây ngữ điệu, sử dụng các phương pháp học máy với đặc trưng là thông tin trích rút từ cây ngữ pháp, cung cấp thông tin về cấu trúc câu cho phương pháp tổng hợp ghép nối các đơn vị âm không đồng nhất, và cung cấp thông tin về từ trung tâm để hệ thống biết cách đặt trọng âm.

1.1. Giới Thiệu Về Tổng Hợp Tiếng Nói Tiếng Việt TTS Tiếng Việt

Tổng hợp tiếng nói tiếng Việt (TTS tiếng Việt) là công nghệ tạo ra giọng nói nhân tạo từ văn bản tiếng Việt. Mục tiêu là tạo ra âm thanh tự nhiên và dễ hiểu. TTS tiếng Việt có nhiều ứng dụng thực tế, bao gồm hỗ trợ người khuyết tật, trợ lý ảo và các hệ thống thông báo tự động. Chất lượng của TTS tiếng Việt phụ thuộc vào nhiều yếu tố, như khả năng phát âm chính xác, biểu cảm và ngữ điệu phù hợp. Phân tích cú pháp tiếng Việt đóng vai trò quan trọng trong việc cải thiện các yếu tố này. Bằng cách hiểu cấu trúc ngữ pháp của câu, hệ thống TTS có thể tạo ra giọng nói tự nhiên và biểu cảm hơn.

1.2. Tầm Quan Trọng của Phân Tích Cú Pháp Trong TTS Tiếng Việt

Phân tích cú pháp là quá trình xác định cấu trúc ngữ pháp của một câu. Trong TTS tiếng Việt, phân tích cú pháp cung cấp thông tin quan trọng về mối quan hệ giữa các từ và cụm từ. Thông tin này có thể được sử dụng để điều chỉnh ngữ điệu, nhịp điệu và trọng âm, giúp tạo ra giọng nói tự nhiên hơn. Ví dụ, việc xác định chủ ngữ và vị ngữ của câu cho phép hệ thống TTS nhấn mạnh đúng các từ quan trọng. Tóm lại, phân tích cú pháp là một bước quan trọng để cải thiện chất lượng của TTS tiếng Việt, làm cho giọng nói nhân tạo trở nên gần gũi và dễ nghe hơn.

II. Thách Thức Hạn Chế Của Phân Tích Cú Pháp Tiếng Việt

Phân tích cú pháp tiếng Việt đối mặt với nhiều thách thức đặc thù. Ngôn ngữ tiếng Việt có cấu trúc câu linh hoạt, trật tự từ không cố định như tiếng Anh. Điều này gây khó khăn cho việc xây dựng các mô hình cú pháp chính xác. Thêm vào đó, tiếng Việt có nhiều từ đa nghĩa, ngữ cảnh đóng vai trò quan trọng trong việc xác định nghĩa của từ. Sự thiếu hụt dữ liệu huấn luyện chất lượng cao cũng là một vấn đề lớn. Các bộ dữ liệu Treebank tiếng Việt còn hạn chế về kích thước và độ phủ, gây khó khăn cho việc huấn luyện các mô hình học máy. Tốc độ và độ chính xác của các hệ thống phân tích cú pháp tiếng Việt hiện tại vẫn còn là một vấn đề cần giải quyết. Các hệ thống hiện tại chưa thể áp dụng rộng rãi vào thực tế do hạn chế về hiệu năng. Theo Lê Quang Thắng, trong phạm vi nghiên cứu của mình, nhận thấy việc áp dụng các kết quả của phân tích cú pháp tiếng Việt vào hệ thống tổng hợp tiếng nói vẫn còn rất hạn chế[1][2][6][7l[#].

2.1. Khó Khăn Trong Việc Xây Dựng Mô Hình Cú Pháp Tiếng Việt

Xây dựng mô hình cú pháp cho tiếng Việt gặp nhiều khó khăn do đặc tính ngôn ngữ. Cấu trúc câu tiếng Việt linh hoạt, với trật tự từ có thể thay đổi tùy thuộc vào ngữ cảnh. Điều này khác biệt so với các ngôn ngữ có trật tự từ cố định như tiếng Anh, gây khó khăn cho việc xây dựng các quy tắc ngữ pháp. Bên cạnh đó, tiếng Việt có nhiều từ đa nghĩa, và việc xác định nghĩa của từ phụ thuộc nhiều vào ngữ cảnh xung quanh. Do đó, mô hình cú pháp cần phải có khả năng xử lý sự đa nghĩa và nắm bắt được ngữ cảnh để đưa ra kết quả chính xác. Để giải quyết thách thức này, cần kết hợp các phương pháp linguistics tiếng Việt và NLP tiếng Việt tiên tiến.

2.2. Vấn Đề Dữ Liệu Huấn Luyện Cho Phân Tích Cú Pháp Tiếng Việt

Một trong những rào cản lớn nhất đối với phân tích cú pháp tiếng Việt là sự thiếu hụt dữ liệu huấn luyện chất lượng cao. Các bộ dữ liệu Treebank tiếng Việt, được sử dụng để huấn luyện các mô hình học máy, còn hạn chế về kích thước và độ phủ. Điều này dẫn đến việc các mô hình học máy không đủ dữ liệu để học được các quy tắc ngữ pháp phức tạp của tiếng Việt. Để cải thiện tình hình này, cần tăng cường xây dựng các bộ dữ liệu Treebank tiếng Việt lớn hơn và đa dạng hơn, bao gồm nhiều thể loại văn bản khác nhau. Việc sử dụng các phương pháp học máy trong tổng hợp tiếng nói và mạng nơ-ron trong tổng hợp tiếng nói cũng có thể giúp giảm bớt sự phụ thuộc vào dữ liệu huấn luyện.

III. Phương Pháp Phân Tích Cú Pháp Shift Reduce cho Tiếng Việt

Luận văn tập trung vào hệ thống phân tích cú pháp dựa trên phương pháp Shift-Reduce kết hợp với thuật toán học máy Perceptron cấu trúc của Zhu (2013). Phương pháp Shift-Reduce là một kỹ thuật hiệu quả để phân tích cú pháp, đặc biệt phù hợp với các ngôn ngữ có cấu trúc câu linh hoạt như tiếng Việt. Thuật toán Perceptron cấu trúc là một thuật toán học máy mạnh mẽ, có khả năng học được các quy tắc ngữ pháp phức tạp từ dữ liệu huấn luyện. Luận văn trình bày cách thức giải quyết bài toán tìm kiếm chính xác dựa trên thuật toán Best-First Search (BES) thay vì giải thuật tìm kiếm không chính xác như Beam Search của Zhu. Cuối chương là một số thử nghiệm để đánh giá độ hiệu quả của hệ thống so với các hệ thống phân tích cú pháp Shift-Reduce sử dụng giải thuật BES trong các nghiên cứu đi trước.

3.1. Tổng Quan về Phương Pháp Phân Tích Cú Pháp Shift Reduce

Phương pháp phân tích cú pháp Shift-Reduce là một kỹ thuật bottom-up, xây dựng cây cú pháp từ dưới lên. Nó sử dụng hai thao tác chính: Shift (đẩy từ vào stack) và Reduce (kết hợp các phần tử trên stack thành một cụm từ). Phương pháp này hiệu quả và linh hoạt, phù hợp với nhiều loại ngôn ngữ. Ưu điểm của Shift-Reduce là khả năng xử lý câu một cách tuần tự, giảm độ phức tạp tính toán. Tuy nhiên, nó cũng có nhược điểm là khó xử lý các câu có cấu trúc phức tạp hoặc mơ hồ. Để cải thiện hiệu quả, cần kết hợp với các thuật toán tìm kiếm và học máy.

3.2. Ưu Điểm Của Shift Reduce Trong Phân Tích Cú Pháp Tiếng Việt

Phương pháp Shift-Reduce đặc biệt phù hợp với phân tích cú pháp tiếng Việt do tính linh hoạt của nó. Cấu trúc câu tiếng Việt có thể thay đổi nhiều, và Shift-Reduce có thể thích ứng với sự thay đổi này. Bên cạnh đó, phương pháp này dễ dàng tích hợp với các thuật toán học máy như Perceptron cấu trúc, giúp cải thiện độ chính xác. Việc sử dụng thuật toán phân tích cú pháp Shift-Reduce cũng cho phép xây dựng hệ thống phân tích cú pháp có tốc độ xử lý nhanh, phù hợp với các ứng dụng thời gian thực.

IV. Cách Tăng Tốc Độ Độ Chính Xác Phân Tích Cú Pháp Tiếng Việt

Để tăng tốc độ và độ chính xác của hệ thống, luận văn đề xuất và sử dụng một bộ đặc trưng mới dành cho phân tích cú pháp Shift-Reduce. Bộ đặc trưng này nhằm giảm độ phức tạp thuật toán mà không làm mất đi độ chính xác. Ý tưởng về các ước lượng A* giúp tốc độ của hệ thống tăng lên gấp nhiều lần trong khi vẫn đảm bảo được sự tối ưu về mặt tìm kiếm. Bằng cách sử dụng thông tin bề mặt và các phép chiếu GP (Grammar Projection) và LF (Less Feature), hệ thống có thể đưa ra các quyết định chính xác hơn và nhanh hơn.

4.1. Sử Dụng Bộ Đặc Trưng Mới Cho Phân Tích Cú Pháp Shift Reduce

Bộ đặc trưng mới được thiết kế để giảm độ phức tạp tính toán mà không ảnh hưởng đến độ chính xác. Nó tập trung vào các đặc trưng quan trọng nhất, loại bỏ các đặc trưng dư thừa. Việc sử dụng thông tin bề mặt, như từ loại và các đặc trưng hình thái, giúp hệ thống đưa ra quyết định nhanh chóng hơn. Đồng thời, việc sử dụng linguistics tiếng Việt chuyên sâu giúp đảm bảo độ chính xác của kết quả phân tích.

4.2. Áp Dụng Ước Lượng A Để Tối Ưu Hóa Tìm Kiếm Cú Pháp

Thuật toán A* là một thuật toán tìm kiếm hiệu quả, sử dụng hàm heuristic để ước lượng chi phí từ trạng thái hiện tại đến trạng thái đích. Trong phân tích cú pháp, thuật toán A* có thể được sử dụng để tìm kiếm cây cú pháp tối ưu một cách nhanh chóng. Bằng cách sử dụng các phép chiếu GP và LF, hệ thống có thể tạo ra các hàm heuristic chính xác, giúp thuật toán A* tìm kiếm hiệu quả hơn. Việc kết hợp A* với Shift-Reduce giúp tạo ra hệ thống phân tích cú pháp có tốc độ và độ chính xác cao.

V. Đánh Giá Thực Nghiệm Hệ Thống Phân Tích Cú Pháp Tiếng Việt

Luận văn thực hiện đánh giá và thực nghiệm hệ thống phân tích cú pháp. Thí nghiệm bao gồm: thí nghiệm của hệ thống trên dữ liệu tiếng Anh, thí nghiệm của hệ thống trên dữ liệu tiếng Việt và thí nghiệm đánh giá độ ảnh hưởng của hệ thống phân tích cú pháp của luận văn đối với hệ thống tổng hợp tiếng nói tiếng Việt. Kết quả thực nghiệm cho thấy hệ thống đạt được độ chính xác cao và tốc độ xử lý nhanh. Hệ thống cũng cải thiện đáng kể chất lượng của hệ thống tổng hợp tiếng nói tiếng Việt.

5.1. Chuẩn Bị Dữ Liệu Thiết Lập Thử Nghiệm Cho Hệ Thống

Để đánh giá hiệu năng của hệ thống phân tích cú pháp, cần chuẩn bị dữ liệu và thiết lập thử nghiệm một cách cẩn thận. Dữ liệu huấn luyện và kiểm tra phải đại diện cho nhiều thể loại văn bản khác nhau của tiếng Việt. Các tham số của hệ thống, như trọng số của các đặc trưng, cần được điều chỉnh để đạt được hiệu năng tốt nhất. Các phép đo hiệu năng, như độ chính xác (precision), độ phủ (recall) và F1-score, cần được sử dụng để so sánh hệ thống với các hệ thống khác.

5.2. Kết Quả Thực Nghiệm Phân Tích Độ Ảnh Hưởng Đến TTS Tiếng Việt

Kết quả thực nghiệm cho thấy hệ thống phân tích cú pháp đạt được độ chính xác và tốc độ xử lý ấn tượng trên cả dữ liệu tiếng Anh và tiếng Việt. Quan trọng hơn, việc tích hợp hệ thống phân tích cú pháp vào hệ thống TTS tiếng Việt đã cải thiện đáng kể chất lượng giọng nói tổng hợp. Giọng nói trở nên tự nhiên hơn, biểu cảm hơn và dễ hiểu hơn. Điều này chứng minh tầm quan trọng của phân tích cú pháp trong việc cải thiện chất lượng của TTS tiếng Việt.

VI. Kết Luận Hướng Phát Triển Phân Tích Cú Pháp Tiếng Việt

Luận văn đã trình bày một hệ thống phân tích cú pháp hiệu quả cho tiếng Việt, kết hợp phương pháp Shift-Reduce, thuật toán Perceptron cấu trúc và các kỹ thuật tối ưu hóa như ước lượng A*. Hệ thống đạt được độ chính xác cao và tốc độ xử lý nhanh, góp phần cải thiện chất lượng của hệ thống tổng hợp tiếng nói tiếng Việt. Hướng phát triển trong tương lai bao gồm việc mở rộng bộ dữ liệu huấn luyện, nghiên cứu các mô hình học sâu và tích hợp các thông tin ngữ nghĩa để cải thiện độ chính xác và khả năng xử lý các câu phức tạp.

6.1. Tổng Kết Những Đóng Góp Của Luận Văn Về Cú Pháp Tiếng Việt

Luận văn đã đóng góp vào lĩnh vực phân tích cú pháp tiếng Việt bằng cách đề xuất một hệ thống hiệu quả, kết hợp các kỹ thuật tiên tiến. Hệ thống này không chỉ đạt được hiệu năng tốt trên dữ liệu chuẩn mà còn cải thiện chất lượng của hệ thống TTS tiếng Việt. Luận văn cũng cung cấp cái nhìn sâu sắc về các thách thức và cơ hội trong phân tích cú pháp tiếng Việt, mở đường cho các nghiên cứu trong tương lai.

6.2. Triển Vọng Tương Lai Của Nghiên Cứu Về Phân Tích Cú Pháp Tiếng Việt

Tương lai của phân tích cú pháp tiếng Việt hứa hẹn nhiều triển vọng. Việc sử dụng các mô hình HMM tổng hợp tiếng nói và mô hình cú pháp dựa trên học sâu có thể cải thiện đáng kể độ chính xác và khả năng xử lý các câu phức tạp. Việc tích hợp thông tin ngữ nghĩa và kiến thức thế giới cũng là một hướng đi đầy tiềm năng. Ngoài ra, việc xây dựng các bộ dữ liệu Treebank tiếng Việt lớn hơn và đa dạng hơn là rất quan trọng để thúc đẩy sự phát triển của lĩnh vực này. Với sự tiến bộ của công nghệ, phân tích cú pháp tiếng Việt sẽ đóng vai trò ngày càng quan trọng trong nhiều ứng dụng khác nhau, như dịch máy, chatbot và tìm kiếm thông tin.

Trích đoạn nội dung tài liệu

LOI CAM DOAN Tôi — Lễ Quang Thắng — xin cam kết Luận văn tốt nghiệp là công trinh nghiên cứu của bân thân tôi dưới sự hướng đẫn của PGS. Trần Đỗ Đạt, Viện nghiên cứu quốc tế MICA, trường Đại học Bách Khoa Hà Nội Các kết quả nên trong Tuận văn tôi nghiệp là trung thực, không sao chép loàn vẫn của bắt kỳ công trình nào khác. 11ã Nội, ngày 04 tháng 09 năm 2014 Học viên thực hiện luận văn. Lẻ Quang Thắng LỜI CẢM ƠN Dau tiên, em xin được gũi lời cảm ơn chân thành đến các thầy giáo, cổ giáo thuộc trường đại học Bách Khoa Hà Nội.

Đặc biệt là các thây giáo, cô giáo tộc Viện. Công nghệ Thông tia và Truyền thông. Các thầy cỏ đã trang bị cho em những kiến. thức quý báu trong thời gian em học tập và nghiên cứu tại trường, Em cũng xin dược gửi lời cảm ơn dặc biết dến PGS.

Thay là người đã rất kiên trì chỉ dẫn tận tỉnh và cho em những kinh nghiệm quý báu trong suốt quá trình làm luận vẫn và trong cả cuộc sống sau này. Đồng thời em cũng xin gửi lời cảm ơn chân thành đến G8 T8 Miyao Yusnke và tal cỗ mọi người trong Miyao lab, thuộc viện công nghệ thông tin quốc gia Nhật Bản vì đã giúp 43 em rất nhiều trong việc thực hiện các nghiên cứu trong luận văn. tim cũng cảm ơn PGS.TS Lê Định Duy, TS Nguyễn Văn Kiên, 1S Trần Minh Quang cùng các anh chị nghiên củu sinh, thuộc viện công nghệ thông tin quốc gia Nhật Bân đã chia sẽ với em những kinh nghiệm quý báu về việc làm nghiên cứu, giúp em hoàn thánh luận vấn mội cách tốt hơn, Cuối cùng, cu xin gửi lời câm ơn tới gia đình, bạn hè. Những người đã luôn ở bên cạnh em cho đến tận giây phút cuỗi củng, MUC LUC LOT CAM ĐOÀN.

161 CAM ON LOW NOI BAU. Dan mục cic bang trang luận vát Danh mục các hình trong luận văn CHUONGL MỞĐẦU. Bài toán phân tích cả pháp. Fei trà của phân tích củ pháp trong tổng hợp tiếng nói.

đạc tiêu và nội dung cm luận văn. CÁC NGHIÊN CỨU TÔNG QUAN VẺPHẢNTÍCH CÚ PHÁP.__ Tướng tiếp cậu sử dụng Treebamk cho phân tích cú pháp. Miý phân hàn tập dữ liệu Traehank.3, Hiện wang cdc nvéng nghidn ctu cho phan tich cit phd.1 Mê hình xác suất PCFŒ 23.2 Các mô hình Generative. Các mỏ hành Discrindnative.

Thuật toán perteptrơn cấu trúc. 24 Các nghiên chủ về phân tích củ pháp tẳng PIệt,. HỆ THÔNG PHẢN TỈCH CÚ PHÁP SHIFT REPUCI BL Ùÿ thuyết cơ rử về hệ thông phân tịch siljf-redice,. Khai niém slate vi action trong plain lich shifl-reduce 3.2 Quả trình phân tích củ pháp shift-reduce.

Huấn luyện hệ thông phân tích shif-reduce sử dọng thuật (oán Perceptron c 3. Bai toan tim kiểm trong hệ thống phản tích ghữf-redue 3. tệ thông phan tich shift-reduce vic dung (bard tovw best first search BES). Các nghiên cứu di trede vé BFS cho phan tich ci phap shift-vreduce.

3 ng phân tich ci phap shift-reducc sử dụng BES của luận văn. rong số âm và cach giải quyết ‘Chua Loan quy hoạch động che phân tích stufl-zcđucc. Đánh giá hiệu nẵng của hệ thông phưân tích shifi-reduce sử đụng BES. SỬDỤNG THUẬT TOÁN A* CHO HỆ THÓNG PHÂN TÍCH SIIFT-REDUCE.

Hần để của hệ thẳng phím tích shị-reduee với tim kiếm 8ES. Bộ đặc trừng sử dụng thông lin bề mật 39 +43. Sit dung ước lượng A* đề tăng tắc độ phân tích của hệ thẳng.1, Phép chiếu GP (Granwmar Projectio). Phép chiến LF (Less Feature), 45 43.

Phép chiến két hop cita GP vaLF. ĐÁNH GIÁ À THỮ NGHIỆM H THONG. Chuẩn bị thử ngủ $3. Kết quả tỷ nghiệm vôi hộ thẳng nhiên tích củ nhấp.

Kết quá tá nghiệm voi hệ thông tổng hợp tiềng nói. những thuật toản học máy mạnh nhất cho phân tích cú pháp nói riêng và xử lý ngôn. ngữ tự nhiên nói chung, và cũng là thuật toán học máy luận vẫn sẽ s dụng cho hệ thông phản tích cú pháp tiếng Việt của mình. Cuối chương sẽ là một số tôm tắt khái quát về tình hình nghiên cứu phân tịch củ pháp cho tiếng, Việt, Chương 3chủ yếu tập trung nói về hệ thông phân tích củ pháp của luận văn, được dựa trên nẻn tảng là phương pháp phân tích cú phap Shift-Reduce két hợp với thuật toán học máy Terceptron cấu trúc của Zhu (2013)ƒ14].

Trong chương nay, luận văn sẽ trình bảy cách thức đề giải quyết bài toán tim kiểm chính xác dựa trên. thuật toán Best-Eirst-Search (BES) thay vi phải sử đựng giải thuật tìm kiếm không chính xác như Bean Search của Zhu. Cuối chương sẽ là một số thì nghiêm để đánh giá độ hiệu quả của hệ thống so với các hệ thống phân tích cú pháp Shift-Reduce sử dụng giải thuật BES trong các nghiên cứu đi trước Chương 4là chương mô tả các ý tưởng để xuất của luận văn đánh cho hệ thông ở chương 3 nhằm tăng tốc độ và độ chính xác của hệ thông. Đầu tiên là việc đề xuất và sử dụng một bộ đặc trưng mới dành cho phân tích củ pháp Shift-Reduce để nhằm làm giảm độ phúc tạp thuật toản mà không bị mắt mát vẻ độ chính xác.

Thứ bai là ý tưởng về các ước lượng A* dễ giúp tốc độ của hệ thống tăng lên gấp nhiều lần trong khi vẫn đám bảo được sự tối ưu về mặt tìm kiểm. Chương 5 là chương dành giá và thực nghiệm, sẽ bao gồrn 3 loại thi nghiệm: thị nghiệm của hệ thống phân tích củ pháp trên đữ liệu tiếng Anh, thí nghiệm của hệ thông trên đữ liệu tiếng Việt và cuỗi cùng thí nghiệm đánh giá độ ảnh hướng của hệ thông phân tích cú pháp của luận văn đối với hệ thông tổng hợp tiếng nói tiếng Việt Cuối cùng là kết luận vả tài hiên tham khảo. Lê Quang Thắng ~ CNTT. Do d6, viée nghiên cửu các thành phần ngữ pháp của một câu văn bản là rất hửa hẹn trong việc tăng chất lượng của bộ tông hợp tiếng nói.

Trong giới hạn hiều biết của người làm luận văn, có thẻ liệt kê ra một số các nghiên cửu phỏ biên trên thể giới trong việc áp dụng phân tích củ pháp vảo tông hợp tiếng nói (đặc biệt là cho tiếng Việt) như sau: - Tao ra cay ngit diéu (prosodic hierarchy): mét trong những ứng dụng phd biển của cây cú pháp trong tổng hop tiếng nói đó là việc tạo ra cây ngữ điệu từ cây củ pháp. Dựa vảo đó, hệ thống tổng hợp tiếng nỏi sẽ biết cách. ngắt nghỉ hợp lý hơn. Trên thế giới việc nghiên cửu làm sao đề chuyên từ cây cú pháp sang cây ngữ điệu đã phát triển từ lâu và đạt được một số kết quả nhất định [17] ROOT aUa lí age NNSy VÉP ADVP LÏ european wild TT cats are RE VEN _——— PP, ae often misclassified IN, NP in NP, PP; aN My NNS; IN, NPy old textbooks about NNS; animals Lê Quang Thắng - CNTT.

4 g 9 wr ra \ \ FRE FOF ri ha soa 696 G6 oor Firo pon wild catsare of ten miscli sified in old text-books a bout a nie mals - Mét sé cac hé thong tong hợp tiếng nói khác trên thể giới còn sử dụng các phương pháp học máy với đặc trưng lả các thông tin trích rút ra từ cây ngữ pháp của câu văn bản và đạt được những kết quả rất khả quan.[18] ~_ Các thông tin vẻ mặt cầu trúc của câu được cung cấp tử cây ngữ pháp đã từng được áp dụng vào phương pháp tổng hợp ghép nói các đơn vị âm không đồng nhất góp phan làm tăng hiệu quả vả chất lượng của bộ tổng. hợp tiếng nói tiếng Việt [5][2] ~_ Ngoài ra, trong một nghiên cửu khác vẻ tiếng Việt, cây củ pháp còn cung, cap thông vẻ từ trung tâm giúp hệ thong tổng hợp tiếng biết cách đặt trọng âm vảo đúng vị trí. Mục tiêu và nội dung của luận văn Luận văn sẽ tập trung hướng tới xây dựng một bộ phân tích củ pháp tiếng. Việt để qua đó áp dung lam nâng cao chất lượng của hệ thông tổng hợp tiếng nói Hệ thông phân tích củ pháp tiếng, Việt nảy sẽ phải thỏa mãn hai điều kiên: độ chính xác cao và tốc độ phân tích đủ nhanh đề có thê vần hành trong hệ thông thực.

Để làm được điều đó, luận văn sẽ khảo sát qua một loạt các nghiên cửu trên thế giới trước khi phân tích, lựa chọn hướng phát triển thích hợp cho nghiên cứu đồng thời trình bày một số ý tưởng cải tiền chất lượng của bộ phân tích củ pháp tiếng Việt Về mặt nội dung chính, luận văn được chia thành Š chương: Chương 2sẽ trình bảy về một số hưởng nghiên cửu tổng quan trên thể giới về phân tích cú pháp, các phương pháp vả các mô hình được sử dụng cho phân tích cú pháp. Gần cuối chương sẽ cỏ đẻ cập đến thuật toản Perceptron câu trúc, một trong, Lê Quang Thắng - CNTT. Bài toán phân tích cú pháp Phân tích cú pháptừ lâu đã được biết đến là một trong những bài toán cơ bản và quan trọng nhất của ngành xử lý ngôn ngữ tự nhiên. Mục địch của phân tích cú pháp.

lả cung cấp thông tin về ngữ pháp của một câu văn bản, thường được xác định dưới dạng cây như Hình 1-1. Trong rât nhiêu các nghiên cứu trên thể giới, phân tích cú pháp được ứng dụng rộng rãi trong các hệ thóng cao hơn như dịch máy dự động, tóm tắt văn bản, trích rút thông tin, hệ thông hiểu ngôn ngữ tự nhiên.Tuy nhiên, sự nhập nhằng vẻ mặt kết quả cộng với độ phức tạp cao lảm cho bải toán nảy trở nên rất thử thách. Đặc biệt là với tiếng Việt, sự hạn chế cả vẻ mặt tốc độ lân độ chỉnh xác của các hệ thông phân tích củ pháp tiếng Việt hiện tại đã khiển cho các hệ thông. phân tích cú pháp không thẻ áp dụng được vào trong thực tế.

[ "Tôi đăng làm đồ án" — S—PVP _—" VP—+RVP _— << VPSVN tôi đang em eee làm đỗ án tôi —P (pronoun) đang — R (adverb) lâm — V (verb) đồ án = N (noun) [ Tế |] dang [tim] đồán Hình 1-1 Minh họa một cây cú pháp cho một câu văn bản. Vai trò của phân tích cú pháp trong tong hợp tiếng nói Trong số các hệ thống ứng dụng phân tích củ pháp nhiều nhật, cỏ thẻ kẻ đến tổng, hop tiếng nói. Tổng hợp tiếng là quá trinh chuyển đổi từ văn bản sang tín hiệu tiếng nói tương ứng, được sử dụng rất nhiều trong thực tẻ. Chất lượng của một hệ thống, tổng hợp tiếng phụ thuộc vảo rất nhiều yếu tố: độ tư nhiên, độ để nghe vả độ truyền Lê Quang Thắng - CNTT.

3 những thuật toản học máy mạnh nhất cho phân tích cú pháp nói riêng và xử lý ngôn.