Chương 1: Giới thiệu tóm tắt văn bản Tóm tắt văn bản là quá trình trích rút những thông tin quan trọng nhất từ một văn bản để tạo ra phiên bản ngắn gọn, xúc tích mang đầy đủ lượng thông tin của văn bản gốc kèm theo đó là tính đúng đắn về ngữ pháp và chính tả. Bản tóm tắt phải giữ được những thông tin quan trọng của toàn bộ văn bản chính. Bên cạnh đó, bản tóm tắt cần phải có bố cục chặt chẽ có tính đến các thông số như độ dài câu, phong cách viết và cú pháp văn bản. Phụ thuộc vào số lượng các văn bản, kỹ thuật tóm tắt có thể chia làm hai lớp: đơn văn bản và đa văn bản.
Tóm tắt đơn văn bản chỉ đơn giản là rút gọn một văn bản thành một sự trình bày ngắn gọn. Trong khi đó tóm tắt đa văn bản phải rút gọn một tập các văn bản thành một sự tóm tắt. Tóm tắt đa văn bản có thể xem như một sự mở rộng của tóm tắt đơn văn bản và thường dùng với thông tin chứa trong các cụm văn bản, để người dùng có thể hiểu được cụm văn bản đó. Tóm tắt đa văn bản phức tạp hơn tóm tắt đơn văn bản vì phải làm việc trên số lượng văn bản nhiều hơn.
Xét về phương pháp thực hiện, tóm tắt văn bản có hai hướng tiếp cận là tóm tắt theo kiểu trích chọn – “extraction” và tóm tắt theo kiểu tóm lược ý – “abstraction”. Phương pháp tóm tắt trích chọn là công việc chọn ra một tập con những từ đã có, những lời nói hoặc những câu của văn bản gốc để đưa vào khuôn mẫu tóm tắt. Ngược lại phương pháp tóm tắt tóm lược xây dựng một biểu diễn ngữ nghĩa bên trong và sau đó sử dụng kỹ thuật xử lý ngôn ngữ để tạo ra bản tóm tắt gần gũi hơn so với những gì con người có thể tạo ra. Bản tóm tắt như vậy có thể chứa những từ không có trong bản gốc.
Nghiên cứu về phương pháp tóm tắt tóm lược là một bước tiến quan trọng và tạo sự chủ động, tuy nhiên do các ràng buộc phức tạp nên các nghiên cứu cho đến nay chủ yếu tập trung vào phương pháp tóm tắt trích chọn. Trong một vài lĩnh vực ứng dụng, phương pháp tóm tắt trích chọn đem lại nhiều tri thức hơn. Một lượng lớn các cách tiếp cận để xác định nội dung quan trọng cho việc tự động tóm tắt được phát triển tới ngày nay. Cách tiếp cận chủ đề đầu tiên nhận một biểu diễn trung gian của văn bản để đạt được chủ đề thảo luận.
Dựa vào những sự biểu diễn này, các câu trong văn bản đầu vào được ghi điểm theo độ quan trọng. Theo một cách tiếp cận khác, văn bản được biểu diễn bởi một tập các thuộc tính LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 4 cho độ quan trọng mà không nhằm xác định chủ đề. Các thuộc tính thông thường được kết nối lại sử dụng các kỹ thuật học máy, giúp việc xác định điểm số cho độ quan trọng trong câu. Cuối cùng, một bản tóm tắt được sinh ra bằng việc lựa chọn các câu theo một cách tham lam.
Việc chọn các câu được thực hiện trong một tóm tắt 1-1 hoặc bằng lựa chọn tối ưu toàn cục để chọn ra tập các câu tốt nhất cho bản tóm tắt. Sau đây xin đưa ra một cách nhìn tổng quan trên các khía cạnh với các cách biểu diễn, cách tính điểm hoặc lựa chọn chiến lược tóm tắt đảm bảo hiệu quả của bản tóm tắt. Tóm tắt trích chọn [1] Hệ thống tóm tắt cần đưa ra bản tóm tắt ngắn gọn và trôi chảy chứa đựng những thông tin thiết yếu của văn bản đầu vào. Trong phần này tôi thảo luận về các hệ thống tóm tắt trích chọn để đưa ra các đoạn văn ngắn và giải thích hiệu quả tóm tắt.
Những bản tóm tắt xác định các câu quan trọng trong đầu vào, có thể là một văn bản hoặc một tập các văn bản liên quan và kết nối chúng với nhau thành một bản tóm tắt. Sự quyết định xung quanh nội dung nào là quan trọng trước hết hướng về đầu vào của bản tóm tắt. Sự lựa chọn tập trung vào tóm tắt trích chọn bỏ qua một lượng lớn văn bản sinh ra bởi tóm tắt tóm lược, nhưng cho phép chúng ta tập trung vào các cách tiếp cận vượt trội để dễ dàng điều chỉnh thông tin người dùng quan tâm cho đơn văn bản và đa văn bản. Hơn nữa, bằng kiểm tra các giai đoạn trong sự hoạt động của bản tóm tắt, chúng ta có thể tập trung vào sự tương đồng và sự khác biệt trong các cách tiếp cận tóm tắt, liên quan tới các thành phần cốt yếu của hệ thống và có thể giải thích cho điểm ưu việc của kỹ thuật lựa chọn so với các kỹ thuật khác.
Để hiểu hơn về sự điều khiển các hệ thống tóm tắt và để nhấn mạnh các lựa chọn hệ thống thiết kế cần làm, tôi phân biệt ba nhiệm vụ độc lập tương đối thực hiện bởi tất cả các bản tóm tắt: Khởi tạo sự biểu diễn trung gian cho đầu vào để đạt được các khía cạnh quan trọng nhất của văn bản, ghi điểm cho câu dựa vào sự trình diễn và lựa chọn một bản tóm tắt chứa các câu văn. Giai đoạn trình diễn trung gian LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com 5 Cách tiếp cận biểu diễn chủ đề chuyển đổi văn bản tới một sự biểu diễn trung gian hiểu như chủ đề của văn bản. Các phương pháp tóm tắt phổ biến nhất dựa vào biểu diễn chủ đề và phương pháp này ngăn ngừa những biến thể nổi bật trong sự phức tạp và năng lực trình diễn. Chúng bao gồm tần số, TF.IDF và các cách tiếp cận từ chủ đề bao gồm bảng các từ đơn và bộ trọng số tương ứng với thông tin là các từ có bộ trọng số càng cao thì càng biểu thị chủ đề.
Cách tiếp cận chuỗi từ vựng mà liệt kê từ liên quan đến lĩnh vực như WordNet được sử dụng để tìm các chủ đề hoặc khái niệm của những từ liên quan về ngữ nghĩa, và đưa ra trọng số cho các khái niệm. Phân tích ngữ nghĩa ẩn trong đó các mẫu từ đồng xuất hiện được xác định và phân tích đầy đủ như các chủ đề, tương tự như các trọng số cho mỗi mẫu. Cách tiếp cận chủ đề Bayesian trong đó đầu vào được trình bày như sự hỗn độn các chủ đề và mỗi chủ đề đưa ra một bảng các phân phối xác suất từ (trọng số) cho chủ đề đó. Các cách tiếp cận biểu diễn thuộc tính trình diễn mỗi câu trong đầu vào như là danh sách các thuộc tính quan trọng như là độ dài câu, vị trí trong văn bản, sự có mặt trong cụm,… Trong các mô hình đồ thị, như là LexRank, toàn bộ văn bản được trình diễn như là mạng của các câu liên quan ngầm.
Ghi điểm các câu Mỗi khi một sự biểu diễn trung gian được lấy ra, mỗi câu được ấn định một điểm số để xác định độ quan trọng. Với các cách tiếp cận biểu diễn chủ đề, điểm số thông thường liên quan tới độ phù hợp của một câu biểu thị một vài chủ đề quan trọng nhất trong văn bản hoặc mức độ nó kết nối thông tin xung quanh các chủ đề khác nhau. Với hầu hết các phương pháp biểu diễn thuộc tính, trọng số của câu được xác định bằng việc kết nối độ phù hợp từ các thuộc tính khác nhau, phổ biến nhất bằng việc sử dụng các kỹ thuật học máy để tìm ra bộ trọng số thuộc tính. Trong LexRank, trọng số của một câu được bắt nguồn từ việc áp dụng các kỹ thuật ngẫu nhiên tới sự biểu diễn đồ thị của văn bản.
LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Lựa chọn các câu tóm tắt Cuối cùng, người tóm tắt phải lựa chọn việc kết nối tốt nhất các câu quan trọng để tạo ra một đoạn tóm tắt. Trong cách tiếp cận best n, nhóm n các câu quan trọng nhất được kết nối đã thỏa mãn chiều dài tóm tắt được lựa chọn cho bản tóm tắt. Trong cách tiếp cận tối đa hóa lề phù hợp, các câu được lựa chọn trong một thủ tục tham lam.
Tại mỗi một bước của thủ tục, điểm số quan trọng của câu được tính lại như là một sự kết nối tuyến tính giữa trọng số quan trọng của câu và sự tương tự của nó với các câu vừa chọn. Các câu tương tự với các câu đã được lựa chọn sẽ bị loại bỏ. Trong cách tiếp cận lựa chọn toàn cục, sự thu thập tối ưu các câu là lựa chọn chủ đề liên quan tới các ràng buộc cố gắng làm cực đại hóa độ quan trọng toàn cục và cực tiểu hóa độ dư thừa và một số cách tiếp cận là cực đại hóa sự kết nối. Có một vài ràng buộc giữa ba quá trình xử lý mô tả bên trên và một người tóm tắt có thể kết hợp bất kỳ sự kết nối các sự lựa chọn trong thực thi mỗi bước.
Sự thay đổi trong phương pháp của mỗi bước cụ thể có thể thay đổi đáng kể tới chất lượng của bản tóm tắt. Trong việc sắp xếp độ quan trọng của việc tóm tắt, các nhân tố khác cũng được sử dụng. Nếu chúng ta có thông tin xung quanh ngữ cảnh để bản tóm tắt được sinh ra, điều này giúp xác định độ quan trọng. Ngữ cảnh có thể chứa các thông tin xung quanh nhu cầu người dùng, thường biểu thị thông qua một truy vấn.
Ngữ cảnh có thể bao gồm môi trường trong đó một văn bản đầu vào được định vị như là các đường dẫn chỉ tới một trang web. Nhân tố khác ảnh hưởng tới sắp xếp câu là loại của văn bản. Khi văn bản đầu vào là một bản tin tức, một luồng email, một trang web hoặc một bài tạp chí ảnh hưởng tới chiến lược lựa chọn câu. Tóm tắt tóm lược [22] Tóm tắt tóm lược tạo ra một bản tóm tắt hiệu quả hơn so với tóm tắt trích chọn bởi việc nó có thể trích chọn thông tin từ tập các văn bản để khởi tạo bản tóm tắt thông tin rõ ràng.
Một bản tóm tắt trình diễn thông tin tóm tắt trong một bản kết dính, dễ đọc và đúng ngữ pháp. Tính dễ đọc hay chất lượng ngữ pháp là một chất xúc tác để cải thiện chất lượng tóm tắt. Tóm tắt tóm lược được chia theo cách tiếp cận cấu trúc, theo cách tiếp cận ngữ nghĩa và gần đây là theo cách tiếp cận học sâu. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.