Phát Hiện Quan Hệ Ngữ Nghĩa Nguyên Nhân-Kết Quả Từ Văn Bản

Việc thiếu tổ chức ngữ nghĩa trên web gây khó khăn cho việc tìm kiếm thông tin. Các máy tìm kiếm hiện tại thường trả về kết quả sai lệch hoặc không tìm thấy tài liệu mong muốn. Điều này là do chúng không hiểu được ngữ cảnh của từ và mối quan hệ giữa các thuật ngữ tìm kiếm. Ví dụ, khi tìm kiếm thông tin về hai người có cùng họ "Cook" làm việc cho tổ chức "AGRA-123-4567", máy tìm kiếm có thể trả về kết quả về nấu ăn hoặc không tìm thấy kết quả phù hợp. Sự thiếu khả năng hiểu khung cảnh của các từ và các mối quan hệ giữa các thuật ngữ tìm kiếm giải thích tại sao trong nhiều trường hợp máy tìm kiếm lại trả về kết quả tìm kiếm sai trong khi lại không tìm thấy những tài liệu mong muốn [18,19,20,24].

Semantic Web ra đời để giải quyết vấn đề này. Thay vì cố gắng thu thập tri thức từ các trang HTML hiện tại, Semantic Web kết hợp trực tiếp thông tin ngữ nghĩa vào các trang HTML, giúp máy tính tự xử lý thông tin về mặt ngữ nghĩa mà không cần sự hỗ trợ của con người. Điều này cải thiện đáng kể độ chính xác của việc tìm kiếm thông tin. Nếu các máy tìm kiếm có thể hiểu được nội dung ngữ nghĩa của các từ, hoặc hơn thế nữa, nó có thể hiểu được cả mối quan hệ về mặt ngữ nghĩa giữa các từ đó thì độ chính xác tìm kiếm sẽ được cải thiện rất nhiều [19,24].

Hầu hết các cơ chế tìm kiếm hiện nay trên World Wide Web thường là một trong ba cách tiếp cận sau: đánh chỉ mục cho các từ khóa, sử dụng các cơ chế đặc biệt để thu thập các thông tin ngữ nghĩa từ các trang Web (nhưng rất bị hạn chế), mỗi cách tiếp cận trên đều có nhược điểm. Đánh chỉ mục các từ khóa thì chỉ liên kết với các từ vựng mà không hiểu được ngữ nghĩa của chúng nên có thể gây ra sự nhầm lẫn. Trong khi đó, việc phân mục bằng tay đòi hỏi phải tiêu tốn rất nhiều nhân công và thời gian. Còn việc sử dụng một số cơ chế đặc biệt để thu thập thông tin ngữ nghĩa thì lại rất bị hạn chế do các trang Web mang rất ít thông tin ngữ nghĩa hoặc còn phải phụ thuộc vào cách bố trí theo một số cấu trúc nhất định của các trang Web.

Các Internet Agent, là các chương trình tự trị mà tương tác với Internet, cũng có thể có hiệu quả hơn nhiều nếu chúng được hoạt động trên môi trường Semantic Web. Để thực hiện một mục đích nào đó, một Agent Internet có thể yêu cầu phải hiểu các trang Web để thi hành các dịch vụ Web. Về mặt lý thuyết, một agent như thế có thể tự thực hiện việc bán hàng, tham gia trong một cuộc bán đấu giá hoặc xếp lịch cho một kỳ nghỉ… Ví dụ: một Agent có thể được yêu cầu đặt chỗ cho một chuyến du lịch ở Jamaica, và Agent sẽ đặt vé máy bay, tìm một xe car để thuê và đặt một phòng ở khách sạn. Tất cả phải dựa trên giá cả rẻ nhất hiện có và phù hợp với nhu cầu.

Chương này đi sâu vào phân tích cấu trúc quan hệ ngữ nghĩa nguyên nhân-kết quả trong ngôn ngữ của con người và cấu trúc thể hiện của nó trong văn bản. Thông qua đó luận văn trình bày một thuật toán nhằm phát hiện quan hệ nguyên nhân-kết quả từ tập các văn bản dựa vào tần suất xuất hiện của các cặp danh từ trong những câu chứa động từ chỉ nguyên nhân. Cấu trúc nguyên nhân-kết quả tường minh thường được thể hiện qua các liên từ, cụm từ chỉ nguyên nhân (ví dụ: "vì", "do", "bởi vì", "do đó", "kết quả là").

Ý tưởng nghiên cứu của bài toán Semantic Role Labeling (SRL) được sử dụng để xác định vai trò ngữ nghĩa của các thành phần trong câu, từ đó suy ra mối quan hệ giữa chúng. Ví dụ, trong câu "Mưa lớn gây ra lũ lụt", SRL có thể xác định "mưa lớn" là nguyên nhân và "lũ lụt" là kết quả. Thuật toán khai phá quan hệ nguyên nhân-kết quả mà Corina Roxana Girju đã tiến hành (Luận án Tiến sỹ 2002 [11]) cũng là một nguồn tham khảo quan trọng.

Định dạng file dữ liệu đầu vào cho thuật toán cần được chuẩn hóa để đảm bảo tính chính xác của kết quả. Các file dữ liệu thường chứa các văn bản đã được tiền xử lý, bao gồm tách từ, gán nhãn từ loại (Part-of-Speech tagging) và phân tích cú pháp. Các thông tin này giúp thuật toán xác định các cặp danh từ và động từ chỉ nguyên nhân một cách chính xác hơn.

Các độ đo như precision, recall và F1-score được sử dụng để đánh giá hiệu quả của thuật toán. Precision đo lường tỷ lệ các cặp danh từ được thuật toán xác định là quan hệ nhân quả mà thực sự là quan hệ nhân quả. Recall đo lường tỷ lệ các cặp danh từ là quan hệ nhân quả mà thuật toán xác định được. F1-score là trung bình điều hòa của precision và recall, thể hiện sự cân bằng giữa hai độ đo này.

Luận văn đã đề xuất một thuật toán phát hiện quan hệ nguyên nhân-kết quả từ văn bản dựa trên tần suất xuất hiện của các cặp danh từ và động từ chỉ nguyên nhân. Thuật toán đã được thử nghiệm trên một tập dữ liệu văn bản và cho kết quả khả quan. Các kết quả này có thể được sử dụng để hỗ trợ xây dựng ontology và khai thác tri thức từ văn bản.

Hướng nghiên cứu tiếp theo có thể tập trung vào cải thiện độ chính xác của thuật toán bằng cách sử dụng các kỹ thuật học máy và mô hình hóa quan hệ phức tạp hơn. Ví dụ, có thể sử dụng các mô hình học sâu để học các biểu diễn ngữ nghĩa của từ và câu, từ đó xác định quan hệ nhân quả một cách chính xác hơn. Ngoài ra, có thể sử dụng các biểu đồ tri thức để biểu diễn các mối quan hệ giữa các thực thể và sự kiện, từ đó suy luận ra các quan hệ nhân quả tiềm ẩn.