MỞ ĐẦU 1.Lý do chon đề tài Trong quá trình phát triển và hội nhập văn hóa, kinh tế thế giới. Quá trình giao lƣu giữa ngƣời Việt Nam và ngƣời nƣớc ngoài ngày càng nhiều dẫn đến khó khăn trong quá trình giao tiếp và sử dụng văn bản tài liệu tiếng Anh. Hiện nay có nhiều hệ thống tự động dịch miễn phí trên mạng nhƣ: google translate, vietgle, vdict, lạc việt,… Những hệ thống này cho phép dịch tự động các văn bản với một cặp ngôn ngữ chọn trƣớc (ví dụ dịch từ tiếng Anh sang tiếng Việt). Điều ấy cho thấy sự phát triển của dịch máy càng ngày càng tiến gần hơn đến ngôn ngữ tự nhiên của con ngƣời.
Vào những năm gần đây, dịch máy nói chung, dịch máy thống kê nói riêng đƣợc phát triển mạnh và ứng dụng rộng rãi. Kết quả thực tế của hệ thống dịch này rất tốt. Ngôn ngữ của máy dịch ngày càng gần với ngôn ngữ của ngƣời. Ngoài ra cùng với hệ thống dịch máy thống kê, các sản phẩm ứng dụng ngày càng nhiều giúp con ngƣời trao đổi thông tin dễ dàng hơn, tốc độ nhanh hơn và cùng với nhiều ngôn ngữ hơn.
Hiện nay, phƣơng pháp dịch thống kê dựa trên cụm từ là phƣơng pháp cho kết quả dịch tốt nhất hiện nay. Điều này đƣợc thể hiện của qua các hệ dịch máy của Google, Vietgle. Hơn nữa việc dịch giữa tiếng Việt sang tiếng Anh là rất cần thiết khi khối lƣợng văn bản tiếng Anh ngày càng lớn trong thời kỳ Việt Nam hội nhập sâu rộng với quốc tế. Chính vì lý do đó, tôi lựa chọn và thực hiện đề tài “Nghiên cứu về dịch thống kê dựa vào cụm từ và áp dụng cho dịch từ tiếng Việt sang tiếng Anh”.
Số hoá bởi Trung tâm Học liệu – ĐHTN http://www. Đối tƣợng và phạm vi nghiên cứu Đối tƣợng nghiên cứu: - Nghiên cứu về các phƣơng pháp, mô hình dịch máy thống kê - Thử nghiệm và đánh giá kết quả dịch từ tiếng Việt sang tiếng Anh Phạm vi nghiên cứu: Đề tài tập trung vào nghiên cứu phƣơng pháp dịch thống kê dựa vào cụm từ và ứng dụng dịch tài liệu, văn bản tiếng Việt, tiếng Anh. Hƣớng nghiên cứu của đề tài - Nghiên cứu, tìm hiểu, phân tích về dịch máy thống kê trên cơ sở cụm từ. - Cài đặt thử nghiệm tối ƣu hóa cụm từ bằng hệ dịch máy thống kế Moses 4.
Phƣơng pháp nghiên cứu - Tìm hiểu các hệ dịch tự động đã có để tìm ra các phƣơng pháp dịch máy mà các hệ dịch đang sử dụng. - Nghiên cứu và đánh giá các phƣơng pháp dịch máy, những ƣu điểm và hạn chế, sau đó tìm ra phƣơng pháp có hiệu quả và đề xuất áp dụng cho bài toán đề tài đặt ra. - Nghiên cứu các phƣơng pháp đánh giá chất lƣợng dịch máy để đánh giá hiệu quả dịch cho hệ thống đề tài đã xây dựng. Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.
Ý nghĩa khoa học của đề tài Ý nghĩa khoa học: Dịch máy dựa vào cụm từ là một trong những phƣơng pháp dịch máy hiệu quả nhất hiện nay. Hơn nữa dữ liệu văn bản ngày càng lớn và đa dạng. chính vì vậy nghiên cứu về hệ dịch dựa vào cụm từ và ứng dụng cho dịch Việt – Anh có ý nghĩa khoa học cũng nhƣ thực tiễn 6. Cấu trúc luận văn + Chƣơng 1: Tổng quan về dịch máy + Chƣơng 2: Dịch máy thống kê dựa vào cụm từ và áp dụng cho ngôn ngữ Việt _ Anh + Chƣơng 3: Thực nghiêm, đánh giá + Kết luận Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 4 CHƢƠNG 1 – TỔNG QUAN VỀ DỊCH MÁY 1.
Khái niệm về hệ dịch máy 1. Định nghĩa Các hệ dịch máy (machine translation system-MT) là các hệ thống sử dụng máy tính để dịch từ một thứ tiếng (trong ngôn ngữ tự nhiên) sang một hoặc vài thứ tiếng khác. Ngôn ngữ của văn bản cần dịch đƣợc gọi là ngôn ngữ nguồn, ngôn ngữ của văn bản đã dịch ra đƣợc gọi là ngôn ngữ đích. Vai trò của dịch máy Hiện nay trên thế giới có khoảng hơn 5000 ngôn ngữ khác nhau, với một số lƣợng ngôn ngữ lớn nhƣ vậy đã gây ra rất nhiều khó khăn trong việc trao đổi thông tin, trong giao tiếp, đồng thời ngăn cản sự phát triển của thƣơng mại và mậu dịch quốc tế.
Với những khó khăn nhƣ vậy con ngƣời đã phải dùng đến một đội ngũ phiên dịch khổng lồ, để dịch các văn bản, tài liệu, lời nói, ngôn ngữ từ tiếng nƣớc này sang tiếng nƣớc khác. Những công việc đó mang tính chất thủ công, tỉ mỉ đòi hỏi ngƣời dịch phải làm mất rất nhiều thời gian và công sức, trong khi khối lƣợng văn bản cần dịch ngày càng nhiều. Để khắc phục đƣợc những nhƣợc điểm trên con ngƣời đã nghĩ đến việc thiết kế một mô hình tự động trong công việc dịch ngôn ngữ, do đó ngay từ khi xuất hiện chiếc máy tính điện tử đầu tiên ( năm 1946) ngƣời ta đã tiến hành nghiên cứu về dịch máy. Việc đƣa ra mô hình tự động cho việc dịch đã và đang đƣợc phát triển, mặc dù chƣa giải quyết đƣợc triệt để lớp ngôn ngữ tự nhiên.
Nhƣng sự ra đời của chúng đã khẳng định đƣợc lợi ích to lớn về mặt chiến luợc và phát triển kinh tế, đồng thời các vấn đề liên quan đến dịch máy Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 cũng là những chủ đề quan trọng của ngành khoa học máy tính, bởi chúng liên quan đến vấn đề xử lí ngôn ngữ tự nhiên, một trong những vấn đề có ý nghĩa nhất mà trí tuệ nhân tạo có khả năng giải quyết. Ngƣời ta tin rằng việc xử lí ngôn ngữ tự nhiên trong đó có dịch máy sẽ là giải pháp cho việc mở rộng cánh cửa đối thoại giữa ngƣời-máy, lúc đó con ngƣời không phải tiếp xúc với máy qua những dòng lệnh cứng nhắc nữa mà có thể giao tiếp một cách trực tiếp với máy. Sơ đồ tổng quan của một hệ dịch máy Đầu vào của một hệ dịch máy là một văn bản viết trong ngôn ngữ nguồn. Văn bản này có thể thu đƣợc từ một hệ soạn thảo hay một hệ nhận dạng chữ viết, lời nói.
Sau đó văn bản có thể đƣợc chỉnh sửa lại nhờ khối soạn thảo, kiểm tra chính tả, trƣớc khi đƣa vào máy dịch. Phần dịch máy sẽ chuyển văn bản nguồn thành văn bản viết trên ngôn ngữ đích. Và cũng qua một bộ chỉnh ra để cuối cùng thu đƣợc một văn bản tƣơng đối hoàn chỉnh. Trong quá trình dịch máy, hệ thống thƣờng xuyên phải truy cập đến một khối lƣợng rất lớn các tri thức dịch.
Tri thức dịch thông thƣờng là các loại từ điển bao gồm: từ điển chứa bộ luật về cú pháp, từ điển về từ vựng, từ điển về thông tin ngữ nghĩa vv…. Trong nhiều hệ thống, có thể có sự tƣơng tác giữa ngƣời và máy trong quá trình dịch. Tƣơng tác này thông thƣờng có cả hai chiều (ngƣời-máy) và có thể có ở mọi giai đoạn. Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 6 Dƣới đây là sơ đồ tổng quát của một hệ dịch máy: Hình 1.1: Sơ đồ tổng quan của hệ dịch máy 1.
Dịch máy thống kê là gì? 1. Tổng quan về dịch thống kê Mục tiêu là dịch một văn bản từ ngôn ngữ nguồn sang ngôn ngữ dịch. 𝑗 Chúng ta có câu văn bản trong ngôn ngữ nguồn (“Tiếng Việt”) 𝑣1 = 𝑣1 , … , 𝑣𝑗. Trong tất cả các câu có thể có trong văn bản đích, chúng ta chọn câu sao cho: V1J =arg max p(v1J| e1I ) (1.
Mô hình kênh nguồn Mô hình kênh – nguồn rất tổng quát và có khả năng áp dụng cho nhiều vấn đề khác nhau nhƣ nhận dạng tiếng nói, xử lý ảnh, …Về trực giác, kênh nguồn là một kênh truyền thông mà thông tin truyên qua có thể bị nhiễu và khó nhận dạng đƣợc thông tin đúng. Giả sử T là thông tin đích ta nhận đƣợc từ cuối kênh, nhiệm vụ của chúng ta là phải đoán lại thông tin nguồn S đã truyền đi. Sử dụng luật Bayes, chúng ta có: (1.2) Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 7 Do đó công thức 1.1 tƣơng ứng với: (1.3) Cách tiếp cận này đƣợc xem nhƣ là cách tiếp cận Kênh - Nguồn trong dịch máy thống kê hoặc là “ công thức cơ bản của dịch thống kê”. Ở đây p(v J ) là mô hình ngôn ngữ của ngôn ngữ đích, p(e I | v J ) là mô hình đích.2 Cách tiếp cận Maximum và mô hình gióng hàng Xác suất p(e I | v J ) đƣợc phân tích qua biến ẩn đƣợc thêm vào.4) Trong đó p(e1I, a1I | v1J) đƣợc gọi là mô hình gióng hàng thống kê và gióng hàng a1I đƣợc gọi là biến ẩn.
Gióng hàng xác định ánh xạ i→j=ai : Từ vị trí i của câu nguồn tƣơng ứng với vị trí j= ai của câu đích. Việc tìm kiếm đƣợc thực hiện dực vào cực đại biểu thức sau: (1. Nhiệm vụ trong dịch thống kê Chúng ta phải giải quyết những vấn đề sau trong việc phát triển hệ thống dịch thống kê: Mô hình: Chỉ ra cấu trúc trong sự phụ thuộc xác suất để mô hình hóa xác suất dịch p(eJ) hoặc p(vJ). Huấn luyện: Huấn luyện các tham số mô hình của mô hình dịch thống kê sử dụng dữ liệu huấn luyện: đơn ngữ, song ngữ.
Tiêu chuẩn huấn luyện Số hoá bởi Trung tâm Học liệu – ĐHTN http://www.vn 8 chuẩn của mô hình dịch máy theo cách tiếp cận kênh-nguồn là tiêu chuẩn hợp lý cực đại mà ở đây chúng ta định nghĩa giá trị tham số tối ƣu mà các gía trị tham số tối ƣu mà các giá trị này làm cực đại hàm hợp lý trong dữ liệu song ngữ: Phụ thuộc vào cấu trúc của mô hình, chúng ta có thể sử dụng tần suất quan hệ hoặc thuật toán tối ƣu nhƣ thuật toán EM xác định các tham số ẩn của mô hình. Tìm kiếm: Thực hiện phép tính agrmax theo công thức trong 1.1 một cách hiệu quả. Có rất nhiều thuật toán để giải quyết vấn đề tìm kiếm này. Ví dụ nhƣ thuật toán qui hoạch động, A*, giải mã ngăn xếp, tìm kiếm ăn tham,.
Tiền xử lý: Tìm các bƣớc biến đổi thích hợp cho cả ngôn ngữ nguồn và ngôn ngữ đích để cải tiến quá trình dịch. Trong những nhiệm vụ trên, tri thức ngôn ngữ chỉ cần thiết cho vần đề mô hình và tiền xử lý. Những vấn đề khác là các vấn đề chủ yếu dựa vào toán học và tính toán bao gồm việc phát triển hiệu quả các thuật toán.
