I. Ứng dụng web và phát hiện tên riêng tiếng Việt
Khóa luận tập trung vào việc xây dựng ứng dụng web hỗ trợ phát hiện tên riêng trong văn bản tiếng Việt bằng phương pháp máy học. Ứng dụng này được phát triển dựa trên nền tảng web, giúp người dùng dễ dàng truy cập và sử dụng mà không cần cài đặt phức tạp. Phát hiện tên riêng là một bài toán quan trọng trong xử lý ngôn ngữ tự nhiên, đặc biệt là với tiếng Việt, nơi tên riêng thường không tuân theo quy tắc cụ thể. Ứng dụng sử dụng các thuật toán học máy như SVM và cây quyết định để phân loại và dự đoán tên riêng.
1.1. Công nghệ thông tin và học máy
Khóa luận kết hợp công nghệ thông tin và học máy để giải quyết bài toán phát hiện tên riêng. Các thuật toán như SVM và cây quyết định được sử dụng để huấn luyện mô hình trên bộ dữ liệu được xây dựng từ các nguồn văn bản tiếng Việt. Học máy giúp ứng dụng tự động hóa quá trình phân tích và dự đoán, nâng cao độ chính xác và hiệu quả.
1.2. Phân tích ngữ nghĩa và tên riêng tiếng Việt
Việc phân tích ngữ nghĩa đóng vai trò quan trọng trong quá trình phát hiện tên riêng. Khóa luận sử dụng VnCoreNLP, một công cụ xử lý ngôn ngữ tự nhiên tiếng Việt, để trích xuất thông tin và xác định ngữ cảnh của từ. Tên riêng tiếng Việt thường có cấu trúc phức tạp, do đó, việc áp dụng các phương pháp học máy giúp cải thiện độ chính xác trong việc nhận diện.
II. Phương pháp nghiên cứu và cơ sở dữ liệu
Khóa luận sử dụng bộ dữ liệu được xây dựng từ các nguồn văn bản tiếng Việt như báo chí, truyện dân gian, và truyện ngụ ngôn. Bộ dữ liệu này được gán nhãn để huấn luyện mô hình học máy. Các thuật toán như SVM và cây quyết định được áp dụng để phân loại tên riêng. VnCoreNLP được sử dụng để phân tích và trích xuất thông tin từ văn bản, giúp tăng cường độ chính xác của mô hình.
2.1. Thuật toán SVM và cây quyết định
SVM (Support Vector Machine) là một thuật toán phân loại mạnh mẽ, được sử dụng để tìm mặt phẳng tối ưu phân tách các lớp dữ liệu. Cây quyết định là một phương pháp khác, sử dụng cấu trúc cây để phân loại dữ liệu dựa trên các đặc điểm. Cả hai thuật toán đều được đánh giá về ưu điểm và nhược điểm trong việc phát hiện tên riêng.
2.2. Huấn luyện và đánh giá mô hình
Quá trình huấn luyện mô hình được thực hiện trên bộ dữ liệu đã được gán nhãn. Các phương pháp như tiền xử lý dữ liệu và đánh giá kết quả được áp dụng để đảm bảo độ chính xác của mô hình. Kết quả huấn luyện cho thấy độ tin cậy của mô hình dao động từ 75% đến 80%, đạt được mục tiêu đề ra.
III. Xây dựng và phát triển ứng dụng web
Ứng dụng web được phát triển với giao diện thân thiện, hỗ trợ người dùng nhập văn bản và nhận kết quả dự đoán tên riêng. Front-end được xây dựng bằng ReactJS, trong khi back-end sử dụng Python-Flask để xử lý dữ liệu và gọi các API. VnCoreNLP được tích hợp vào hệ thống để phân tích ngữ nghĩa và trích xuất thông tin. Ứng dụng cũng cho phép người dùng đánh giá và phản hồi về kết quả, giúp cải thiện độ chính xác của mô hình.
3.1. Cài đặt và tích hợp VnCoreNLP
VnCoreNLP được cài đặt và tích hợp vào hệ thống để hỗ trợ phân tích ngữ nghĩa. Công cụ này giúp trích xuất thông tin từ văn bản tiếng Việt, tăng cường độ chính xác của mô hình. Quá trình cài đặt và tích hợp được thực hiện thông qua các API, đảm bảo tính linh hoạt và dễ dàng bảo trì.
3.2. Kết quả thực nghiệm và đánh giá
Các kết quả thực nghiệm cho thấy ứng dụng có khả năng phát hiện tên riêng với độ chính xác cao. Các trường hợp thử nghiệm bao gồm việc phát hiện tên riêng trong câu, tên người nước ngoài được phiên âm theo Hán Việt, và tên địa lý. Kết quả này khẳng định tính hiệu quả của ứng dụng trong việc hỗ trợ người dùng.
IV. Kết luận và hướng phát triển
Khóa luận đã thành công trong việc xây dựng một ứng dụng web hỗ trợ phát hiện tên riêng tiếng Việt bằng phương pháp học máy. Ứng dụng mang lại sự tiện lợi và độ chính xác cao, hỗ trợ người dùng trong việc phân tích văn bản. Trong tương lai, ứng dụng có thể được cải thiện bằng cách mở rộng bộ dữ liệu và tích hợp thêm các thuật toán học sâu như BiLSTM để nâng cao hiệu quả.
4.1. Giá trị thực tiễn của ứng dụng
Ứng dụng có giá trị thực tiễn cao, đặc biệt trong lĩnh vực xử lý ngôn ngữ tự nhiên và công nghệ thông tin. Nó giúp người dùng tiết kiệm thời gian và tránh các lỗi đáng tiếc trong việc viết và xuất bản văn bản. Ứng dụng cũng góp phần vào việc phát triển các công cụ hỗ trợ ngôn ngữ tiếng Việt.
4.2. Hướng phát triển trong tương lai
Trong tương lai, ứng dụng có thể được mở rộng bằng cách tích hợp các thuật toán học sâu như BiLSTM để cải thiện độ chính xác. Việc mở rộng bộ dữ liệu và tích hợp thêm các tính năng như phân tích ngữ cảnh cũng là những hướng phát triển tiềm năng.
