Mô Hình Xác Định Tác Giả Dựa Trên Văn Phong Của Các Văn Bản Tiếng Việt

• Tác giả: Đổng Đăng Khoa
• Người hướng dẫn: PGS.TS Nguyễn Tuấn Đăng
• Trường học: Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Mô Hình Xác Định Tác Giả Dựa Trên Văn Phong Của Các Văn Bản Tiếng Việt
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH SÁCH BẢNG
• DANH SÁCH HÌNH VẼ
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Động cơ nghiên cứu
• 1.2. Mục tiêu của luận văn
• 1.3. Phạm vi và đối tượng nghiên cứu
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. Vấn đề dữ liệu tác giả trong văn học
• 2.2. Vấn đề về bài toán xác định tác giả
• 2.3. Tình hình nghiên cứu
• 2.3.1. Tình hình nghiên cứu trên thế giới
• 2.3.2. Tình hình nghiên cứu trong nước
• 2.4. Mô hình hóa bài toán
• 2.5. Phương pháp nghiên cứu
• 2.6. Phương pháp đánh giá
• 2.7. Ý nghĩa khoa học và thực tiễn
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT
• 3.1. Tổng quan về các bộ dữ liệu được áp dụng trong luận văn
• 3.2. Bộ dữ liệu tác giả văn học Việt Nam
• 3.3. Các bộ dữ liệu khác
• 3.4. Tiền xử lý và rút trích đặc trưng
• 3.5. Vấn đề mất cân bằng dữ liệu
• 3.6. Phương pháp dựa trên máy học truyền thống
• 3.6.1. Mô hình Naive Bayes
• 3.6.2. Mô hình Logistic Regression
• 3.6.3. Mô hình Random Forest
• 3.6.4. Mô hình Ensemble
• 3.7. Phương pháp dựa trên mạng neural sâu
• 3.7.1. Mô hình TextCNN
• 3.7.2. Mô hình GRU
• 3.7.3. Mô hình Transformers
• 3.8. Mô hình đề xuất
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Môi trường và các thư viện được sử dụng
• 4.2. Xây dựng bộ dữ liệu
• 4.3. Tiền xử lý dữ liệu
• 4.4. Rút trích đặc trưng
• 4.5. Mô hình máy học truyền thống
• 4.6. Mô hình học sâu
• 4.7. Mô hình đề xuất
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• DANH MỤC CÔNG BỐ KHOA HỌC CỦA TÁC GIẢ
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Mô Hình Xác Định Tác Giả Văn Bản 55 ký tự

Trong bối cảnh Internet phát triển mạnh mẽ, lượng dữ liệu văn bản tăng đột biến, việc xác định tác giả văn bản trở nên vô cùng quan trọng. Phân tích tác giả văn bản không chỉ có ý nghĩa trong lịch sử, điều tra văn bản, ngôn ngữ pháp lý, xác minh đạo văn mà còn trong nhiều lĩnh vực khác. Các phương pháp tiếp cận hiện nay tập trung vào việc nghiên cứu các đặc trưng văn phong của tác giả như từ vựng, cú pháp, ngữ nghĩa, cấu trúc. Luận văn này giới thiệu một hướng tiếp cận mới, kết hợp phương pháp truyền thống và hiện đại, nhằm xây dựng mô hình xác định tác giả hiệu quả cho văn học Việt Nam. Đề tài cũng giới thiệu bộ cơ sở dữ liệu văn bản tiếng Việt tự xây dựng, phục vụ cho nghiên cứu xác minh tác giả. Nghiên cứu này kỳ vọng đóng góp vào việc nâng cao độ chính xác trong việc xác thực tác giả văn bản.

1.1. Tầm Quan Trọng Của Xác Định Tác Giả Trong Kỷ Nguyên Số

Sự bùng nổ của Internet đã tạo ra một lượng lớn dữ liệu văn bản. Việc xác định tác giả văn bản trở nên cấp thiết để giải quyết các vấn đề về tranh chấp bản quyền, đạo văn, và tin giả. Theo Alison và cộng sự [1] vào năm 2001, phân tích văn phong có thể giúp xác minh tác giả dựa trên những thói quen vô định trong cách sử dụng từ ngữ và ngữ pháp. Xác thực tác giả chính là một phần quan trọng của an ninh mạng và quản trị thông tin.

1.2. Giới Thiệu Bộ Dữ Liệu Văn Bản Tiếng Việt Tự Xây Dựng

Hiện tại, nghiên cứu xác định tác giả trong văn học Việt Nam còn hạn chế do thiếu cơ sở dữ liệu văn bản tiếng Việt chuyên dụng. Luận văn này giới thiệu bộ dữ liệu VN-Literature, được xây dựng bằng công cụ thu thập tự phát triển. Bộ dữ liệu này sẽ cung cấp nguồn tài nguyên quan trọng cho các nghiên cứu về phân tích tác giả văn bản và phân loại văn bản trong tiếng Việt. Cơ sở dữ liệu này hướng tới mục tiêu tạo ra một nền tảng vững chắc cho việc phát triển các giải pháp xác định tác giả văn bản hiệu quả.

II. Thách Thức Vấn Đề Trong Xác Định Tác Giả 56 ký tự

Mặc dù có nhiều tiến bộ, xác định tác giả văn bản vẫn đối mặt với nhiều thách thức. Các phương pháp truyền thống thường tốn thời gian và kém hiệu quả. Bên cạnh đó, việc xây dựng một mô hình xác định tác giả có độ chính xác xác định tác giả cao là một bài toán khó. Đặc trưng văn phong của mỗi tác giả rất phức tạp và khó nắm bắt. Ngoài ra, sự thiếu hụt cơ sở dữ liệu văn bản tiếng Việt chất lượng cao cũng là một rào cản lớn. Việc phân tích văn phong một cách tự động và chính xác đòi hỏi các thuật toán máy học xác định tác giả và học sâu xác định tác giả tiên tiến. Theo nghiên cứu của Argama [11], có hai loại đặc trưng chính là phong cách và nội dung. Tuy nhiên việc trích xuất và kết hợp 2 yếu tố này cũng là 1 thách thức lớn.

2.1. Khó Khăn Trong Thu Thập Chuẩn Hóa Dữ Liệu Văn Bản Tiếng Việt

Việc thu thập dữ liệu văn bản tiếng Việt từ nhiều nguồn khác nhau gặp khó khăn trong việc chuẩn hóa định dạng và loại bỏ nhiễu. Các lỗi chính tả, lỗi ngữ pháp, và sự đa dạng trong cách diễn đạt gây khó khăn cho quá trình tiền xử lý dữ liệu. Để xây dựng mô hình xác định tác giả hiệu quả, cần có một lượng lớn văn bản đã được gắn nhãn chính xác, điều này đòi hỏi nhiều công sức và nguồn lực.

2.2. Vấn Đề Về Đặc Trưng Văn Phong Sự Biến Đổi Theo Thời Gian

Đặc trưng văn phong của một tác giả có thể thay đổi theo thời gian, theo thể loại văn bản, hoặc theo mục đích giao tiếp. Điều này gây khó khăn cho việc xây dựng mô hình xác định tác giả ổn định và chính xác. Bên cạnh đó, việc xác định những đặc trưng văn phong quan trọng nhất và loại bỏ những yếu tố nhiễu là một thách thức lớn trong phân tích văn phong.

III. Phương Pháp Máy Học Xác Định Tác Giả 52 ký tự

Các phương pháp máy học xác định tác giả đã chứng minh được hiệu quả trong việc phân tích văn bản và phân loại văn bản. Các thuật toán như Naive Bayes, SVM, Random Forest và học sâu đã được áp dụng để xác định tác giả. Quá trình này bao gồm các bước như tiền xử lý dữ liệu, rút trích đặc trưng, huấn luyện mô hình và đánh giá mô hình. Trong đó, việc lựa chọn các đặc trưng văn phong phù hợp và thuật toán máy học hiệu quả là yếu tố then chốt quyết định độ chính xác xác định tác giả. Khai phá văn bản và xử lý ngôn ngữ tự nhiên (NLP) đóng vai trò quan trọng trong việc xây dựng mô hình xác định tác giả.

3.1. Sử Dụng Mô Hình Naive Bayes SVM Random Forest

Các mô hình máy học truyền thống như Naive Bayes, SVM, Random Forest đã được sử dụng rộng rãi trong xác định tác giả. Các mô hình này dựa trên việc rút trích đặc trưng từ văn bản và sử dụng các thuật toán phân loại để xác định tác giả. Ưu điểm của các mô hình này là đơn giản, dễ triển khai và có thể đạt được độ chính xác xác định tác giả tốt trong một số trường hợp.

3.2. Ứng Dụng Học Sâu Với CNN RNN LSTM Transformer

Học sâu xác định tác giả với các mô hình như CNN, RNN, LSTM, Transformer đang trở thành xu hướng. Các mô hình này có khả năng tự động rút trích đặc trưng từ văn bản và học các biểu diễn phức tạp của văn phong. Điều này giúp cải thiện độ chính xác xác định tác giả so với các phương pháp máy học truyền thống. Các mô hình Transformer, đặc biệt là BERT, đã đạt được những kết quả ấn tượng trong xử lý ngôn ngữ tự nhiên (NLP).

IV. Mô Hình Đề Xuất Kết Hợp Phong Cách Ngôn Ngữ 59 ký tự

Luận văn này đề xuất một mô hình xác định tác giả mới, kết hợp phân tích văn phong và mô hình ngôn ngữ. Mô hình này tận dụng các đặc trưng văn phong truyền thống như từ vựng, cú pháp kết hợp với khả năng biểu diễn ngôn ngữ mạnh mẽ của các mô hình học sâu. Đặc biệt, mô hình sử dụng mô hình BERT đã được tinh chỉnh cho tiếng Việt để nắm bắt các đặc trưng ngôn ngữ phức tạp. Kết quả thử nghiệm cho thấy mô hình đề xuất có độ chính xác xác định tác giả cao hơn so với các phương pháp hiện có. Đây là một bước tiến quan trọng trong việc xây dựng mô hình xác định tác giả hiệu quả cho văn bản tiếng Việt.

4.1. Tích Hợp Đặc Trưng Văn Phong Mô Hình Ngôn Ngữ BERT

Mô hình đề xuất tích hợp các đặc trưng văn phong (tần suất từ, độ dài câu, sử dụng dấu câu) với mô hình ngôn ngữ BERT đã được tinh chỉnh cho tiếng Việt. Mô hình BERT giúp nắm bắt các mối quan hệ ngữ nghĩa phức tạp trong văn bản, trong khi các đặc trưng văn phong cung cấp thông tin về cách tác giả sử dụng ngôn ngữ. Sự kết hợp này giúp cải thiện khả năng xác định tác giả.

4.2. Đánh Giá Hiệu Quả Mô Hình Đề Xuất Trên Dữ Liệu Tiếng Việt

Hiệu quả của mô hình đề xuất đã được đánh giá trên bộ dữ liệu VN-Literature. Kết quả cho thấy mô hình đạt được độ chính xác xác định tác giả cao hơn so với các phương pháp máy học truyền thống và các mô hình học sâu khác. Điều này chứng tỏ tính hiệu quả của việc kết hợp phân tích văn phong và mô hình ngôn ngữ trong xác định tác giả văn bản tiếng Việt.

V. Ứng Dụng Thực Tiễn Của Xác Định Tác Giả 51 ký tự

Ứng dụng xác định tác giả có tiềm năng lớn trong nhiều lĩnh vực. Trong lĩnh vực pháp lý, nó có thể được sử dụng để xác thực tác giả văn bản trong các vụ kiện về bản quyền hoặc xác minh đạo văn. Trong điều tra tội phạm, nó có thể giúp xác định tác giả của các bức thư nặc danh hoặc các bài đăng trực tuyến có tính chất đe dọa. Trong văn học, nó có thể giúp giải quyết các tranh chấp về tác giả hoặc phân tích văn phong của các tác giả nổi tiếng. Giải pháp xác định tác giả văn bản đóng vai trò quan trọng trong việc bảo vệ quyền sở hữu trí tuệ và đảm bảo tính minh bạch trong thông tin.

5.1. Xác Minh Đạo Văn Bảo Vệ Quyền Sở Hữu Trí Tuệ

Xác định tác giả có thể được sử dụng để xác minh đạo văn trong các bài viết khoa học, luận văn, và các tài liệu khác. Bằng cách so sánh văn phong của một văn bản với các văn bản đã được công bố, có thể phát hiện ra các trường hợp sao chép trái phép. Điều này giúp bảo vệ quyền sở hữu trí tuệ và đảm bảo tính trung thực trong nghiên cứu.

5.2. Hỗ Trợ Điều Tra Tội Phạm An Ninh Mạng

Xác định tác giả có thể hỗ trợ điều tra tội phạm bằng cách xác định tác giả của các tin nhắn đe dọa, thư tống tiền, hoặc các bài đăng trực tuyến có nội dung bất hợp pháp. Trong an ninh mạng, nó có thể giúp xác định nguồn gốc của các cuộc tấn công mạng hoặc các hoạt động gián điệp.

VI. Xu Hướng Tương Lai Xác Định Tác Giả Văn Bản 55 ký tự

Xu hướng xác định tác giả văn bản hiện nay tập trung vào việc sử dụng các mô hình học sâu tiên tiến và tích hợp nhiều nguồn thông tin khác nhau. Các nghiên cứu trong tương lai sẽ tập trung vào việc cải thiện độ chính xác xác định tác giả trong các trường hợp khó, chẳng hạn như khi tác giả cố tình che giấu văn phong của mình hoặc khi văn bản ngắn và có ít thông tin. Việc phát triển các giải pháp xác định tác giả văn bản mạnh mẽ và đáng tin cậy sẽ đóng vai trò quan trọng trong việc giải quyết các vấn đề về bản quyền, an ninh thông tin, và trật tự xã hội.

6.1. Phát Triển Mô Hình Học Sâu Dữ Liệu Huấn Luyện Lớn Hơn

Tương lai của xác định tác giả sẽ phụ thuộc vào việc phát triển các mô hình học sâu tiên tiến hơn và sử dụng các dữ liệu huấn luyện lớn hơn. Việc xây dựng các bộ dữ liệu văn bản tiếng Việt chất lượng cao và đa dạng là yếu tố then chốt để cải thiện độ chính xác xác định tác giả.

6.2. Nghiên Cứu Về Khả Năng Chống Lại Các Phương Pháp Che Giấu Văn Phong

Các nghiên cứu trong tương lai cần tập trung vào việc phát triển các phương pháp xác định tác giả có khả năng chống lại các kỹ thuật che giấu văn phong. Điều này đòi hỏi việc phân tích văn phong một cách sâu sắc và tìm ra các đặc trưng khó bắt chước.

Tổng quan nghiên cứu

Trong bối cảnh sự phát triển vượt bậc của Internet và sự bùng nổ dữ liệu văn bản, việc xác định tác giả của các văn bản trở thành một vấn đề cấp thiết trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP). Đặc biệt, trong văn học Việt Nam hiện đại, việc xác định tác giả dựa trên văn phong chưa được nghiên cứu sâu rộng, dẫn đến nhiều tranh cãi về nguồn gốc tác phẩm. Luận văn tập trung vào xây dựng mô hình xác định tác giả dựa trên văn phong của các văn bản tiếng Việt, với phạm vi nghiên cứu gồm 8 tác giả và 839 tác phẩm văn học hiện đại, chủ yếu là truyện ngắn thể loại văn xuôi.

Mục tiêu chính của nghiên cứu là phát triển một mô hình kết hợp giữa các phương pháp truyền thống và hiện đại nhằm khai thác tối đa đặc trưng phong cách viết, từ đó nâng cao độ chính xác trong việc xác định tác giả. Luận văn cũng giới thiệu bộ dữ liệu tự xây dựng VN-Literature, bao gồm hơn 800 tác phẩm thu thập từ các trang web chia sẻ ebook, phục vụ cho nghiên cứu và cộng đồng học thuật. Thời gian nghiên cứu tập trung vào giai đoạn văn học hiện đại Việt Nam, với dữ liệu thu thập và xử lý trong năm 2022-2023.

Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp công cụ hỗ trợ xác minh tác giả trong văn học Việt Nam, góp phần bảo vệ bản quyền, phát hiện đạo văn và hỗ trợ các nghiên cứu ngôn ngữ học, văn học học thuật. Các chỉ số đánh giá mô hình như độ chính xác, F1-score được sử dụng để đo lường hiệu quả, với kết quả thử nghiệm cho thấy mô hình đề xuất vượt trội hơn các phương pháp truyền thống và một số mô hình học sâu hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Đặc trưng phong cách viết (Stylistic Features): Bao gồm các đặc trưng về từ vựng, cú pháp, cấu trúc câu, tần suất sử dụng dấu câu, độ dài câu, tỉ lệ chữ số và chữ in hoa, độ phong phú của từ vựng (hapax-legomena). Đây là cơ sở để phân biệt phong cách của từng tác giả.

• Mô hình máy học truyền thống: Các thuật toán như Naive Bayes, Support Vector Machine (SVM), Logistic Regression, Random Forest và các kỹ thuật Ensemble Learning được sử dụng để xây dựng bộ phân loại dựa trên các đặc trưng đã trích xuất.

• Mô hình học sâu (Deep Learning): Các kiến trúc mạng neural như TextCNN, BiLSTM, GRU và đặc biệt là mô hình Transformers được áp dụng để khai thác đặc trưng ngữ nghĩa và ngữ cảnh sâu sắc hơn trong văn bản.

• Mô hình đề xuất: Kết hợp các đặc trưng phong cách viết với mô hình ngôn ngữ được huấn luyện trước (pre-trained language model) như BERT, thực hiện fine-tuning và thêm các lớp dense với hàm kích hoạt softmax để phân loại tác giả.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu chính là VN-Literature, gồm 839 tác phẩm của 8 tác giả văn học Việt Nam hiện đại, thu thập tự động từ các trang web chia sẻ ebook bằng công cụ tự phát triển sử dụng Python và thư viện Beautiful Soup. Ngoài ra, hai bộ dữ liệu công khai là Enron Email và Blog Authorship Attribution được sử dụng để so sánh và đánh giá mô hình.

• Tiền xử lý dữ liệu: Bao gồm chuẩn hóa văn bản (chuyển sang chữ thường), tách từ, loại bỏ từ dừng, xóa ký tự đặc biệt và dấu câu không cần thiết. Dữ liệu được gán nhãn thủ công để đảm bảo chất lượng.

• Rút trích đặc trưng: Sử dụng các phương pháp Count Vector, TF-IDF ở cấp độ từ và ký tự, cùng với Word Embeddings (Word2Vec, FastText) để biểu diễn văn bản dưới dạng vector số.

• Xử lý mất cân bằng dữ liệu: Áp dụng kỹ thuật Over Sampling bằng phương pháp tái lập ngẫu nhiên để cân bằng số lượng mẫu giữa các tác giả, tránh hiện tượng overfitting và đảm bảo tính đại diện của dữ liệu.

• Phương pháp phân tích: Thử nghiệm các mô hình máy học truyền thống, học sâu và mô hình đề xuất dựa trên Transformers. Đánh giá mô hình bằng các chỉ số độ chính xác (accuracy), precision, recall và F1-score trên tập dữ liệu kiểm thử chiếm 10% tổng dữ liệu.

• Timeline nghiên cứu: Thu thập và xử lý dữ liệu trong 6 tháng đầu năm 2022, xây dựng và huấn luyện mô hình trong 6 tháng tiếp theo, đánh giá và hoàn thiện luận văn trong quý cuối năm 2022 và đầu năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình đề xuất: Mô hình kết hợp fine-tuning BERT với các đặc trưng phong cách viết đạt độ chính xác trung bình trên 85%, vượt trội hơn so với các mô hình máy học truyền thống như SVM (khoảng 70%) và Random Forest (khoảng 75%). F1-score của mô hình đề xuất cũng cao hơn khoảng 10-15% so với các mô hình khác.

2. Ảnh hưởng của đặc trưng phong cách: Việc kết hợp các đặc trưng như độ dài câu, tần suất dấu câu, tỉ lệ chữ in hoa và hapax-legomena giúp cải thiện đáng kể hiệu suất phân loại, tăng F1-score trung bình lên khoảng 5% so với chỉ sử dụng embedding từ ngữ nghĩa.

3. Xử lý mất cân bằng dữ liệu: Áp dụng kỹ thuật Over Sampling giúp cân bằng dữ liệu giữa các tác giả, tăng độ chính xác của mô hình lên khoảng 7% so với dữ liệu gốc không cân bằng, đồng thời giảm thiểu hiện tượng thiên lệch về tác giả có nhiều dữ liệu hơn.

4. So sánh với các bộ dữ liệu khác: Trên bộ dữ liệu Enron Email và Blog Authorship, mô hình đề xuất cũng cho kết quả tốt với độ chính xác lần lượt là 88% và 82%, chứng tỏ tính khả thi và khả năng mở rộng của phương pháp.

Thảo luận kết quả

Kết quả cho thấy mô hình kết hợp giữa đặc trưng phong cách viết và mô hình ngôn ngữ huấn luyện trước là hướng đi hiệu quả trong bài toán xác định tác giả văn học tiếng Việt. Việc sử dụng BERT giúp khai thác ngữ cảnh sâu sắc, trong khi các đặc trưng phong cách cung cấp thông tin bổ sung về cách sử dụng ngôn ngữ đặc trưng của từng tác giả.

So với các nghiên cứu trước đây trên thế giới, kết quả của luận văn tương đương hoặc vượt trội, đặc biệt trong bối cảnh tiếng Việt là ngôn ngữ có cấu trúc đặc thù và ít tài nguyên hơn. Việc xây dựng bộ dữ liệu VN-Literature là đóng góp quan trọng, giúp khắc phục hạn chế về dữ liệu trong nghiên cứu xác định tác giả tiếng Việt.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác và F1-score giữa các mô hình, cũng như bảng thống kê số lượng văn bản và độ dài trung bình của từng tác giả để minh họa sự đa dạng và thách thức trong dữ liệu.

Đề xuất và khuyến nghị

1. Phát triển bộ dữ liệu mở rộng: Tiếp tục thu thập và mở rộng bộ dữ liệu VN-Literature với nhiều tác giả và thể loại văn học khác nhau, nhằm nâng cao tính đại diện và độ chính xác của mô hình. Thời gian thực hiện dự kiến 12-18 tháng, do các nhóm nghiên cứu và thư viện số thực hiện.

2. Tối ưu hóa mô hình kết hợp: Nghiên cứu thêm các kỹ thuật kết hợp đặc trưng phong cách và mô hình ngôn ngữ tiên tiến như GPT hoặc các biến thể Transformers mới, nhằm cải thiện hiệu suất phân loại. Thời gian thử nghiệm 6-12 tháng, do nhóm nghiên cứu AI và NLP đảm nhiệm.

3. Ứng dụng trong phát hiện đạo văn và bảo vệ bản quyền: Triển khai mô hình vào các hệ thống kiểm tra đạo văn, xác minh tác giả trong xuất bản và giáo dục, giúp bảo vệ quyền tác giả và nâng cao chất lượng nghiên cứu. Chủ thể thực hiện là các nhà xuất bản, trường đại học và các tổ chức pháp lý, trong vòng 1-2 năm.

4. Phát triển công cụ hỗ trợ phân tích văn phong: Xây dựng phần mềm hoặc API cho phép người dùng nhập văn bản và nhận diện tác giả dựa trên mô hình đề xuất, hỗ trợ nghiên cứu văn học và pháp lý. Thời gian phát triển 6-9 tháng, do các công ty công nghệ và nhóm nghiên cứu phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu ngôn ngữ học và văn học: Luận văn cung cấp phương pháp và bộ dữ liệu mới giúp nghiên cứu phong cách viết và xác định tác giả trong văn học Việt Nam, hỗ trợ các công trình phân tích văn bản chuyên sâu.

2. Chuyên gia công nghệ thông tin và trí tuệ nhân tạo: Các kỹ thuật máy học, học sâu và mô hình Transformers được trình bày chi tiết, phù hợp cho việc phát triển các ứng dụng NLP liên quan đến phân loại văn bản và nhận dạng tác giả.

3. Cơ quan pháp lý và bảo vệ bản quyền: Công cụ xác định tác giả có thể hỗ trợ trong việc giải quyết tranh chấp bản quyền, phát hiện đạo văn và bảo vệ quyền sở hữu trí tuệ trong lĩnh vực văn học và truyền thông.

4. Nhà xuất bản và giáo dục: Ứng dụng mô hình giúp kiểm tra tính xác thực của tác phẩm, nâng cao chất lượng xuất bản và giảng dạy, đồng thời hỗ trợ sinh viên, học viên trong việc nghiên cứu và trích dẫn tài liệu chính xác.

Câu hỏi thường gặp

1. Mô hình xác định tác giả dựa trên văn phong hoạt động như thế nào?
   Mô hình sử dụng các đặc trưng phong cách viết như tần suất từ, cấu trúc câu kết hợp với mô hình ngôn ngữ huấn luyện trước (BERT) để phân loại văn bản theo tác giả dựa trên phong cách ngôn ngữ đặc trưng của từng người.

2. Bộ dữ liệu VN-Literature có điểm gì đặc biệt?
   VN-Literature là bộ dữ liệu tự xây dựng gồm hơn 800 tác phẩm của 8 tác giả văn học Việt Nam hiện đại, được thu thập và gán nhãn kỹ lưỡng, phục vụ nghiên cứu xác định tác giả tiếng Việt – lĩnh vực còn rất hạn chế tài nguyên.

3. Làm thế nào để xử lý mất cân bằng dữ liệu trong nghiên cứu này?
   Luận văn áp dụng kỹ thuật Over Sampling bằng cách tái lập ngẫu nhiên các mẫu thuộc nhóm tác giả có ít dữ liệu, giúp cân bằng số lượng mẫu giữa các lớp, từ đó cải thiện hiệu quả huấn luyện và độ chính xác của mô hình.

4. Mô hình đề xuất có thể áp dụng cho các loại văn bản khác ngoài văn học không?
   Mô hình có thể mở rộng áp dụng cho các loại văn bản khác như email, blog, bài báo với điều chỉnh phù hợp, đã được thử nghiệm trên bộ dữ liệu Enron Email và Blog Authorship với kết quả khả quan.

5. Các nhà nghiên cứu có thể tiếp cận bộ dữ liệu và mô hình như thế nào?
   Bộ dữ liệu VN-Literature và mã nguồn mô hình được dự kiến công bố rộng rãi phục vụ cộng đồng nghiên cứu, giúp các nhà khoa học và kỹ sư phát triển thêm các ứng dụng và nghiên cứu tiếp theo.

Kết luận

• Luận văn đã xây dựng thành công mô hình xác định tác giả dựa trên văn phong tiếng Việt, kết hợp đặc trưng phong cách và mô hình ngôn ngữ huấn luyện trước, đạt hiệu quả vượt trội so với các phương pháp truyền thống.
• Giới thiệu bộ dữ liệu VN-Literature tự xây dựng, đóng góp tài nguyên quý giá cho nghiên cứu xác định tác giả trong văn học Việt Nam.
• Thực nghiệm trên nhiều bộ dữ liệu cho thấy mô hình có tính khả thi và khả năng mở rộng ứng dụng trong các lĩnh vực pháp lý, xuất bản và giáo dục.
• Đề xuất các hướng phát triển mở rộng bộ dữ liệu, tối ưu mô hình và ứng dụng thực tiễn trong phát hiện đạo văn và bảo vệ bản quyền.
• Khuyến khích các nhà nghiên cứu, chuyên gia công nghệ và cơ quan pháp lý tham khảo và ứng dụng kết quả nghiên cứu để nâng cao hiệu quả công tác xác minh tác giả.

Hành động tiếp theo: Khuyến khích cộng đồng nghiên cứu truy cập và sử dụng bộ dữ liệu VN-Literature, đồng thời phát triển các mô hình mới dựa trên nền tảng đã xây dựng để mở rộng phạm vi và nâng cao độ chính xác trong xác định tác giả văn bản tiếng Việt.