Luận văn Thạc sĩ: Trích xuất Collocation tiếng Việt từ Text Corpora

Luận văn thạc sĩ: Nghiên cứu trích xuất cụm từ cố định tiếng Việt từ ngữ liệu văn bản. Khám phá phương pháp và kết quả ứng dụng trong xử lý ngôn ngữ tự nhiên.

Chuyên ngành

Information Technology

Người đăng

Ẩn danh

Thể loại

thesis

2010

81
0
0

Phí lưu trữ

30 Point

Mục lục chi tiết

ORIGINALITY STATEMENT

Table of Contents

1. Introduction

1.1. Overview Name Entity recognition(NER)

1.2. Rule based approach

1.3. Machine learning Approach

2. Overview our problem

2.1. Building NER corpus research

2.2. Researches about building corpus Process

2.3. Overview annotate tools

3. Corpus building process

3.1. Corpus building process

3.2. Built annotation guide line

3.3. Building Vietnamese NER corpus by off-line tools

3.3.1. Built annotation guide line

3.4. Discus about Vietnamese NER corpus building process

4. Online Annotation Framework

4.1. Online annotation interface

4.2. Automate file distribution for annotator

4.3. Automate save and manage files

4.4. Explain unusual entity

4.4.1. Inter annotatetor agreements

4.5. Offline corpus evaluation

4.6. Named entity recognition system

5. Conclusion And Future work

5.1. Create corpus bigger and more quality

5.2. Improve online annotation framework

5.3. Building NER system base statistical

Name Entity guideline

A.1. Entity and Entity Name

A.2. Instance of entity

A.3. List of Entities

A.4. Entities recognize rules

List of Figures

List of Tables

1. Chapter 1: Introduction

1.1. Overview Name Entity recognition(NER)

2. NER Approach

2.1. Rule based approach

2.2. Machine learning Approach

3. Chapter 2: Related Work

3.1. Overview our problem

3.2. Building NER corpus research

3.3. Researches about building corpus Process

3.4. Overview annotate tools

4. Chapter 3: Corpus building process

4.1. Objective

Tóm tắt

I. Trích Xuất Collocation Tiếng Việt Tổng Quan và Ứng Dụng

Bài viết này tập trung vào việc trích xuất collocation tiếng Việt như được nghiên cứu trong các luận văn thạc sĩ ngôn ngữ học. Collocation tiếng Việt, hay kết hợp từ tiếng Việt, đóng vai trò quan trọng trong việc hiểu và tạo ra ngôn ngữ tự nhiên. Việc phân tích collocation không chỉ giúp chúng ta hiểu rõ hơn về cấu trúc ngôn ngữ mà còn có nhiều ứng dụng collocation thực tiễn. Các luận văn thạc sĩ ngôn ngữ học thường đi sâu vào nghiên cứu collocation tiếng Việt, sử dụng các phương pháp trích xuất collocation khác nhau. Bài viết này sẽ tổng quan các vấn đề, thách thức và giải pháp trong lĩnh vực này, đồng thời đánh giá hiệu quả và ứng dụng của các nghiên cứu hiện có. Theo Hoang Huu Son (2010), "The ability to determine the named entities in a text has been established as an important task for several natural language processing areas". Điều này càng khẳng định tầm quan trọng của việc nghiên cứu và trích xuất thông tin, đặc biệt là collocation, từ văn bản.

1.1. Định Nghĩa và Các Loại Collocation Tiếng Việt

Collocation tiếng Việt có thể được định nghĩa collocation là sự kết hợp tự nhiên và thường xuyên của hai hoặc nhiều từ trong ngôn ngữ. Các loại collocation bao gồm collocation ngữ pháp (ví dụ: động từ + giới từ) và collocation từ vựng (ví dụ: tính từ + danh từ). Tần suất xuất hiện và liên kết ngữ nghĩa giữa các từ là những yếu tố quan trọng để xác định một collocation. Việc xác định chính xác các collocation đòi hỏi phải có ngữ liệu tiếng Việt đủ lớn và các phương pháp thống kê ngôn ngữ hiệu quả.

1.2. Tại Sao Trích Xuất Collocation Tiếng Việt Lại Quan Trọng

Việc trích xuất collocation tiếng Việt có vai trò quan trọng trong nhiều lĩnh vực. Trong xử lý ngôn ngữ tự nhiên (NLP), collocation giúp cải thiện hiệu suất của các tác vụ như phân tích cú pháp, dịch máy và tạo sinh văn bản. Trong giảng dạy tiếng Việt, collocation giúp người học sử dụng ngôn ngữ một cách tự nhiên và chính xác hơn. Trong dịch thuật, collocation giúp đảm bảo tính tự nhiên và chính xác của bản dịch. Hơn nữa, các từ điển collocation tiếng Việt ngày càng trở nên quan trọng, cung cấp nguồn thông tin hữu ích cho cả người học và người bản xứ.

1.3. Tổng Quan Các Phương Pháp Trích Xuất Collocation Hiện Nay

Các phương pháp trích xuất collocation hiện nay bao gồm phương pháp thống kê, phương pháp dựa trên ngữ pháp và phương pháp kết hợp. Phương pháp thống kê sử dụng tần suất xuất hiện collocation và các độ đo liên kết thống kê để xác định collocation. Phương pháp dựa trên ngữ pháp sử dụng các quy tắc ngữ pháp để xác định các cụm từ cố định tiếng Việt. Phương pháp kết hợp sử dụng cả thông tin thống kê và ngữ pháp để cải thiện độ chính xác của việc trích xuất. Theo Nguyen & Cao (2007) VN-KIM dùng Jape grammar để trích xuất.

II. Thách Thức Trong Trích Xuất Collocation Tiếng Việt Luận Án

Mặc dù có nhiều phương pháp trích xuất collocation, nhưng việc áp dụng chúng cho tiếng Việt vẫn còn nhiều thách thức. Tiếng Việt là một ngôn ngữ đơn lập, có cấu trúc ngữ pháp khác biệt so với các ngôn ngữ châu Âu, điều này gây khó khăn cho việc áp dụng các phương pháp dựa trên ngữ pháp. Ngoài ra, ngữ liệu tiếng Việt có sẵn còn hạn chế, đặc biệt là ngữ liệu đã được gán nhãn ngữ pháp, điều này gây khó khăn cho việc huấn luyện các mô hình thống kê. Bên cạnh đó, việc đánh giá hiệu quả trích xuất cũng là một thách thức, vì không có bộ dữ liệu chuẩn để so sánh kết quả.

2.1. Khó Khăn Do Đặc Điểm Ngữ Pháp Tiếng Việt

Cấu trúc ngữ pháp của tiếng Việt, đặc biệt là tính linh hoạt trong trật tự từ, gây khó khăn cho việc xác định các collocation. Các phương pháp dựa trên ngữ pháp có thể không hoạt động tốt do thiếu các dấu hiệu ngữ pháp rõ ràng. Cần có các phương pháp đặc biệt để xử lý các cấu trúc ngữ pháp phức tạp và không tuyến tính của tiếng Việt.

2.2. Hạn Chế Về Ngữ Liệu và Dữ Liệu Gán Nhãn Tiếng Việt

Sự khan hiếm của ngữ liệu tiếng Việt, đặc biệt là ngữ liệu đã được gán nhãn ngữ pháp (Part-of-Speech tagging), là một trở ngại lớn cho việc huấn luyện các mô hình trích xuất collocation dựa trên học máy. Cần có các nỗ lực để xây dựng và chia sẻ các ngữ liệu tiếng Việt lớn và chất lượng cao để thúc đẩy nghiên cứu trong lĩnh vực này. Bài toán extraction collocation cần nhiều dữ liệu hơn để giải quyết.

2.3. Vấn Đề Đánh Giá Hiệu Quả Trích Xuất Collocation

Việc đánh giá hiệu quả trích xuất là một vấn đề nan giải do thiếu các bộ dữ liệu chuẩn và các độ đo đánh giá phù hợp. Cần có các nghiên cứu để xây dựng các bộ dữ liệu đánh giá chuẩn và phát triển các độ đo đánh giá phù hợp để so sánh hiệu quả của các phương pháp trích xuất collocation khác nhau.

III. Phương Pháp Trích Xuất Collocation Tiếng Việt Luận Văn

Để giải quyết các thách thức trên, nhiều luận văn thạc sĩ đã đề xuất các phương pháp trích xuất collocation mới, tập trung vào việc tận dụng các đặc điểm ngôn ngữ đặc thù của tiếng Việt và sử dụng các kỹ thuật học máy tiên tiến. Các phương pháp này thường kết hợp thông tin thống kê, ngữ pháp và ngữ nghĩa để cải thiện độ chính xác của việc trích xuất.

3.1. Sử Dụng Thông Tin Ngữ Nghĩa trong Trích Xuất Collocation

Việc sử dụng thông tin ngữ nghĩa, chẳng hạn như WordNet tiếng Việt hoặc các mô hình biểu diễn từ (word embeddings), có thể giúp cải thiện độ chính xác của việc trích xuất collocation. Thông tin ngữ nghĩa có thể giúp xác định các liên kết ngữ nghĩa giữa các từ và loại bỏ các kết hợp từ không tự nhiên.

3.2. Áp Dụng Các Mô Hình Học Sâu Deep Learning để Trích Xuất

Các mô hình học sâu (deep learning), chẳng hạn như mạng nơ-ron hồi quy (recurrent neural networks) và mạng nơ-ron tích chập (convolutional neural networks), đã chứng minh hiệu quả trong nhiều tác vụ NLP. Các mô hình này có thể được áp dụng để trích xuất collocation bằng cách học các biểu diễn phân cấp của các từ và cụm từ. Các mô hình trích xuất collocation hiện đại thường được xây dựng bằng mô hình trích xuất collocation dựa trên học sâu.

3.3. Kết Hợp Thống Kê và Ngữ Pháp để Trích Xuất Collocation Tiếng Việt

Việc kết hợp thông tin thống kê và ngữ pháp có thể giúp cải thiện độ chính xác của việc trích xuất collocation. Các phương pháp này thường sử dụng các quy tắc ngữ pháp để lọc các kết hợp từ không hợp lệ và sử dụng thông tin thống kê để xếp hạng các collocation tiềm năng. Phương pháp này tập trung vào việc khai thác đồng thời ưu điểm của cả hai hướng tiếp cận.

IV. Ứng Dụng Thực Tế của Trích Xuất Collocation Tiếng Việt

Việc trích xuất collocation tiếng Việt có nhiều ứng dụng thực tế trong các lĩnh vực khác nhau. Trong giảng dạy tiếng Việt, collocation có thể được sử dụng để tạo ra các bài tập và tài liệu học tập giúp người học sử dụng ngôn ngữ một cách tự nhiên và chính xác hơn. Trong dịch thuật, collocation có thể được sử dụng để đảm bảo tính tự nhiên và chính xác của bản dịch. Trong tìm kiếm thông tin, collocation có thể được sử dụng để cải thiện độ chính xác của kết quả tìm kiếm. Cuối cùng, các từ điển collocation tiếng Việt có thể trở thành một nguồn tài nguyên quý giá cho người học và người bản xứ.

4.1. Collocation trong Dạy và Học Tiếng Việt

Collocation trong giảng dạy tiếng Việt giúp người học nắm vững các kết hợp từ tự nhiên và sử dụng ngôn ngữ một cách thành thạo hơn. Các bài tập về collocation có thể giúp người học mở rộng vốn từ vựng và cải thiện kỹ năng viết và nói. Việc sử dụng collocation trong giảng dạy giúp tránh lỗi sai phổ biến và làm cho ngôn ngữ trở nên tự nhiên hơn.

4.2. Collocation trong Dịch Thuật Tiếng Việt

Collocation trong dịch thuật giúp đảm bảo tính chính xác và tự nhiên của bản dịch. Việc sử dụng các collocation tương đương trong ngôn ngữ đích giúp truyền tải ý nghĩa một cách hiệu quả và tránh các lỗi dịch thuật do sử dụng các kết hợp từ không tự nhiên. Vì vậy, sự hiểu biết về collocation trong dịch thuật là vô cùng quan trọng.

4.3. Collocation trong Hệ Thống Tìm Kiếm Thông Tin

Việc sử dụng collocation trong hệ thống tìm kiếm thông tin có thể giúp cải thiện độ chính xác của kết quả tìm kiếm. Bằng cách nhận diện các collocation trong truy vấn và văn bản, hệ thống có thể tìm kiếm các tài liệu liên quan một cách hiệu quả hơn. Trích xuất tự động giúp nâng cao hiệu quả ứng dụng của trích xuất collocation trong ngôn ngữ học và các lĩnh vực liên quan.

V. Đánh Giá Hiệu Quả Trích Xuất Nghiên Cứu Luận Văn Thạc Sĩ

Các luận văn thạc sĩ về trích xuất collocation tiếng Việt thường bao gồm phần đánh giá hiệu quả trích xuất của các phương pháp đề xuất. Các độ đo đánh giá thường được sử dụng bao gồm độ chính xác (precision), độ phủ (recall) và điểm F1 (F1-score). Các kết quả đánh giá thường được so sánh với các phương pháp baseline để chứng minh tính hiệu quả của phương pháp mới.

5.1. Độ Đo Precision Recall và F1 score trong Đánh Giá

Độ chính xác (Precision) đo lường tỷ lệ các collocation được trích xuất là chính xác. Độ phủ (Recall) đo lường tỷ lệ các collocation thực tế được trích xuất. Điểm F1 (F1-score) là trung bình điều hòa của Precision và Recall và được sử dụng để đánh giá hiệu quả tổng thể của phương pháp.

5.2. So Sánh Với Các Phương Pháp Baseline

Để chứng minh tính hiệu quả của phương pháp mới, các kết quả đánh giá thường được so sánh với các phương pháp baseline, chẳng hạn như phương pháp thống kê đơn giản hoặc phương pháp dựa trên ngữ pháp cơ bản. Việc so sánh với baseline giúp đánh giá được mức độ cải thiện của phương pháp mới so với các phương pháp truyền thống.

5.3. Phân Tích Lỗi và Hướng Cải Thiện

Phần phân tích lỗi (error analysis) thường được sử dụng để xác định các điểm yếu của phương pháp và đề xuất các hướng cải thiện trong tương lai. Phân tích lỗi có thể giúp xác định các loại collocation khó trích xuất và các vấn đề liên quan đến dữ liệu hoặc phương pháp.

VI. Kết Luận và Hướng Nghiên Cứu Tương Lai về Collocation

Việc trích xuất collocation tiếng Việt là một lĩnh vực nghiên cứu đầy tiềm năng, với nhiều ứng dụng thực tế và nhiều thách thức cần giải quyết. Các luận văn thạc sĩ đã đóng góp quan trọng vào việc phát triển các phương pháp mới và cải thiện hiệu quả của việc trích xuất. Trong tương lai, cần có các nghiên cứu tập trung vào việc xây dựng các ngữ liệu tiếng Việt lớn và chất lượng cao, phát triển các phương pháp học máy tiên tiến và ứng dụng collocation trong các lĩnh vực khác nhau.

6.1. Xây Dựng Ngữ Liệu Tiếng Việt Lớn và Chất Lượng Cao

Việc xây dựng ngữ liệu tiếng Việt lớn và chất lượng cao là yếu tố then chốt để thúc đẩy nghiên cứu trong lĩnh vực trích xuất collocation. Cần có các nỗ lực để thu thập và gán nhãn ngữ pháp cho các ngữ liệu tiếng Việt từ các nguồn khác nhau, chẳng hạn như báo chí, văn học và mạng xã hội.

6.2. Phát Triển Các Phương Pháp Học Máy Tiên Tiến

Cần có các nghiên cứu để phát triển các phương pháp học máy tiên tiến, chẳng hạn như học sâu và học chuyển giao, để cải thiện độ chính xác và hiệu quả của việc trích xuất collocation. Các phương pháp này cần được điều chỉnh để phù hợp với các đặc điểm ngôn ngữ đặc thù của tiếng Việt.

6.3. Ứng Dụng Collocation trong Các Lĩnh Vực Khác

Cần có các nghiên cứu để khám phá các ứng dụng tiềm năng của collocation trong các lĩnh vực khác nhau, chẳng hạn như dịch máy, tìm kiếm thông tin, phân tích tình cảm và tạo sinh văn bản. Việc ứng dụng collocation có thể giúp cải thiện hiệu suất của các hệ thống NLP và mang lại nhiều lợi ích cho xã hội.

24/09/2025

Trích đoạn nội dung tài liệu

Towards a framework for building an Annotated Named Entities Corpus Hoang Huu Son Faculty of Information Technology University of technology and engineering Vietnam National University, Hanoi Supervised by Doctor Pham Bao Son A thesis submitted in fulfillment of the requirements for the degree of Master of Information Technology June, 2010 TIEU LUAN MOI download : skknchat@gmail.com TIEU LUAN MOI download : skknchat@gmail.com ORIGINALITY STATEMENT ‘I hereby declare that this submission is my own work and to the best of my knowledge it contains no materials previously published or written by another person, or substantial proportions of material which have been accepted for the award of any other degree or diploma at Coltech or any other educational institu- tion, except where due acknowledgement is made in the thesis. Any contribution made to the research by others, with whom i have worked at Coltech lab or else- where, is explicitly acknowledged in the thesis. I also declare that the intellectual content of this thesis is the product of my own work, except to the extent that assistance from others in the project’s design and conception or in style, presen- tation and linguistic expression is acknowledged. i TIEU LUAN MOI download : skknchat@gmail.com Table of Contents 1 Introduction 1 1.1 Overview Name Entity recognition(NER) .1 Rule based approach .2 Machine learning Approach .1 Overview our problem .2 Building NER corpus research .3 Researches about building corpus Process .4 Overview annotate tools.

12 3 Corpus building process 13 3.1 Corpus building process .2 Built annotation guide line .2 Building Vietnamese NER corpus by off-line tools .1 Built annotation guide line .3 Discus about Vietnamese NER corpus building process. 27 ii TIEU LUAN MOI download : skknchat@gmail.com TABLE OF CONTENTS iii 4 Online Annotation Framework 28 4.1 Online annotation interface .2 Automate file distribution for annotator .3 Automate save and manage files .3 Explain unusual entity .1 Inter annotatetor agreements .2 Offline corpus evaluation .4 Named entity recognition system. 58 6 Conclusion And Future work 60 6.1 Create corpus bigger and more quality .2 Improve online annotation framework .3 Building NER system base statistical. 63 TIEU LUAN MOI download : skknchat@gmail.com iv TABLE OF CONTENTS A Name Entity guideline 64 A.1 Entity and Entity Name .2 Instance of entity .3 List of Entities .4 Entities recognize rules.

69 TIEU LUAN MOI download : skknchat@gmail.com List of Figures 3.1 Process building Annotation guide line .4 Comparing two user corpus .1 Online Annotation Process .2 Annotation online tools Interface .3 Annotation gudeline form Interface .4 Review Tool Interface .5 Compare two documents interface .1 Inter Annotation Agreements result of two User .2 Evaluate accuracy rate for each Entity kind .3 Evaluate online corpus accuracy rate for each entity kind .4 Name entity recognition system architecture .5 Jape rule to recognize Person entity .6 Performance on the training data using strict criteria .7 Performance on test data using strict criteria .8 Performance on the test data using lenient criteria. 58 v TIEU LUAN MOI download : skknchat@gmail.com List of Tables 5.1 An example of par corpus which annotate bu two user (User A and user B) .2 frequency annotated documents .3 Inter annotation agreements in online annotation .4 User corpus accurate rate in online method .5 Time spent to quality control corpus .6 Time spent During annotation process .7 Quality control time in online framework. 51 vi TIEU LUAN MOI download : skknchat@gmail.com Chapter 1 Introduction 1.1 Overview Name Entity recognition(NER) The ability to determine the named entities in a text has been established as an important task for several natural language processing areas, including information retrieval, machine translation, information extraction and language understanding. The term ”Named Entity” widely use in Nature Language Processing(NLP), was coined for the Sixth Message Understanding Conference(MUC-6).

At the time, MUC was focusing in Information Extraction(IE) tasks where structured informa- tion of computer activities and defense related activities is extracted from unstruc- tured text,such as newspaper articles. In defining tasks,people noticed that it is essential to recognize information units like names including: Person, organization and location names and numerics expression including: time, date, money, percent expression. Identifying references to these entities in text was recognition as one of the importance sub- task of IE and was called ”Name Entity Recognition and Classification”. The computational research aiming at automatically identifying named entities 1 TIEU LUAN MOI download : skknchat@gmail.

Introduction in texts forms a vast and heterogeneous pool of strategies, methods and represen- tations. One of the first research papers in the field was presented by Lisa F. Rau (1991) at the Seventh IEEE Conference on Artificial Intelligence Applications. In genreral, each NER researches which have been devoted have to solve four problems: Language, Input,Kind of entity, and learning method.

Languages: NER have been applied to several languages. There are many good researches for English NER, they have solved language independence and multilingualism prob- lems. German is well studied in CONLL-2003 and in earlier works. Similarly, Spanish and Dutch are strongly represented, boosted by a major devoted confer- ence: CONLL -2002 (Collins, 2002).

Chinese is studied in some researches (Wang et al., 1992),(Computer et al., 1996), (Yu et al., 1998) and so are French (Petasis et al., 2001), (And, 2003), Greek (Karkaletsis et al., 1999) and Italian (Black et al. Many other languages received some attention as well: Basque (Whitelaw & Patrick, 2003), Bulgarian (Silva et al., 2004), Catalan (Carreras et al. Portuguese was examined by(Palmer et al. In Vietnamese, there are some NER research is apply, for example VN- KIM (Nguyen & Cao, 2007)IE system have just Format input NER research have been applied to many format of documents: General text, email, scientific text, journalistic,ect and mamy domain: sport, business,literature, etc.

Each system usually direct specific format and domain (Maynard et al. Designed a system for email, scientific texts and religious texts (Minkov & Wang, 2005) created a system specifically designed for email documents. Now day, studies TIEU LUAN MOI download : skknchat@gmail. NER Approach 3 want to apply to newer kind of format and domain.

For example, MUC-6 collection composed of newswire texts, and on a proprietary corpus made of manual transla- tions of phone conversations and technical email Kind of Entity Although list entities depend kind and domain specific problems, NER systems usually record some entities: Person, Location,Organization, Date, Time, Money, Percent. Ambiguous have been appeared by Person, Location,Organization and other is fewer. In Each domain, NERs target some specific one. For instance, in medicine domain, entity can be mane of disease or name of medicine.2 NER Approach Similar to other NLP problems NER research have been developed into two main approaches: • Rule based approach.

• Machine learning approach.1 Rule based approach Using expert system to built rule system is traditional approach and they have been applied in NLP in general and NER in particular. Rule system is set of rule which have been built by people (in ordinary expert) to particular target. Rules will create by some features: Part of speech, context( words and phrases are in front of words and behind one etc.) and some properties(Uppercase, lowercase.) and some special dictionaries. For example: TIEU LUAN MOI download : skknchat@gmail.

Introduction President Busto leave Iraq said Monday’s talks will include discussion on security, a timetable for U.S forces In this example, ”Busto” appear after the ”President”,for this reason ”Busto” is snnotated as Person entity. Similar, ”Iraq” appear before ”leave” verb so that it is seemed ”Location’ entity. In this approach, we don’t need to annotate corpus. System can be identified and classified immediately by set of rules.

Advantage of approach is: easy to built rule base system. So that many NER systems is rule base system since first period. However, it is difficult to enhance accuracy rate. Because organize set of rules is difficult.

If we do not organize appropriately their, the rules is overlap each other, and system can not identify and classify correctly.2 Machine learning Approach Now day, machine learning is common approach to solve NLP problems. In NER, it is used to enhance accuracy. These are some model have been applied: support vector machine, Hidden Markov model, decision tree, etc. There are three kinds of learning method have been applied in Machine learning: Un-supervised, supervised, and semi-supervised.

However, Un-supervised systems and semi-supervised don’t not for NER problems. There are a few researchs apply these methods: for example: Collins with system used un-annotate corpus (Collins & Singer, 1999). And Kim with system using proper name and un- annotate corpus. Systems which are applied supervised used more popularly in NER problems.

For example:Bikel with hidden markow model(Black et al., 1998) ,Borthwick with Maximum Entropy (Borthwick et al. In Machine Learning systems, we must built three sets: training set, test set and practice set. • A training set consists of an input vector and an answer vector, and is used TIEU LUAN MOI download : skknchat@gmail. NER Approach 5 together with a supervised learning method to train a knowledge for the sys- tem.

In NER, a training set is a corpus which have been annotated standard labels. • A Test set is similar to training set. But target of test set is check and evaluate system accuracy. In NER problem, test set is a corpus which similar to train set.

• Practice set: is set which is applied machine leaning system to automatically identify and classify. Execute practice set is goal to built system.3 Comparing Annotation based learning have some advantages from manual hand writing rule: • Annotation based learning can continue indefinitely, over weeks and months, with relatively self contained annotation decision at each point.In contrasts rule writing must remain cognizant of potential previous rules interdependen- cies when adding and revising rules,ultimately bounding continued rule system growth by cognitive load factor. • Annotation by learning can more effective combine the effort of multiple peo- ple. The tagged sentences from deference data sets can be simple concatenated to form larger data sets with broader coverage.

• User who write rule require large skill, including not only linguistic knowledge for annotation, but also competence regular expression and ability to grap the complex interactive within rule list. However, in machine learning approaches, annotators only require can used fluently language. TIEU LUAN MOI download : skknchat@gmail. Introduction • Performance of system which built by rule writer tend to exhibit considerably more variance.

While machine system tend to much more consistent result. Although machine learning approach have a lot of advantages. However we meet a main barrier: machine learning need a high quality corpus. So that the problem is how to build a high quality copus.

For Vietnamese, There is not any NER corpus is published. Although some systems have been built based on machine learning approach, they don’t share theirs corpus. So that it is difficult to other research improve accurate for NER system. For this reason, my thesis focus: • Solutions to build Vietnamese NER corpus • Quality control and evaluate the corpus.

• Apply the corpus into NER problem.3 Thesis contribution The thesis contribution includes: • We release a building corpus process base on • We apply the process to build NER corpus by offline tools method. Offline tools method is a manual way use desktop programs, for example: Callisto tool. Offline tools method is called as offline tools. • To overcome offline tools disadvantage, We build a online annotation frame- work.

The online frame work have some features – Annotation will be executed though Internet environments (Annotate anytime, anywhere). TIEU LUAN MOI download : skknchat@gmail. Thesis structure 7 – Automate all steps in process: Manage files, distribute to annotator, etc. – Enable lager number annotator.

– Quality control corpus in many level. • Apply corpus to evaluate our NER system.4 Thesis structure So that, my thesis including five chapters • Chapter one: Introduction: Overview NER research and some approach to built NER system.And We expose problem.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ